論文の概要: Depth-Synergized Mamba Meets Memory Experts for All-Day Image Reflection Separation

• arxiv url: http://arxiv.org/abs/2601.00322v1
• Date: Thu, 01 Jan 2026 12:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.375627
• Title: Depth-Synergized Mamba Meets Memory Experts for All-Day Image Reflection Separation
• Title（参考訳）: 深度を考慮に入れたMambaは、オールデイイメージリフレクション分離のためのメモリエキスパートと出会う
• Authors: Siyan Fang, Long Peng, Yuntao Wang, Ruonan Wei, Yuehuan Wang,
• Abstract要約: 画像反射分離は、混合画像から透過層と反射層をアンタングルすることを目的としている。 既存の手法では、コントラストが似ている場合に2つのレイヤを混乱させる傾向があるため、単一のイメージからの限られた情報に依存している。 この問題に対処するために,DMDNet(Depth-Memory Decoupling Network)を提案する。
• 参考スコア（独自算出の注目度）: 11.885312741706414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reflection separation aims to disentangle the transmission layer and the reflection layer from a blended image. Existing methods rely on limited information from a single image, tending to confuse the two layers when their contrasts are similar, a challenge more severe at night. To address this issue, we propose the Depth-Memory Decoupling Network (DMDNet). It employs the Depth-Aware Scanning (DAScan) to guide Mamba toward salient structures, promoting information flow along semantic coherence to construct stable states. Working in synergy with DAScan, the Depth-Synergized State-Space Model (DS-SSM) modulates the sensitivity of state activations by depth, suppressing the spread of ambiguous features that interfere with layer disentanglement. Furthermore, we introduce the Memory Expert Compensation Module (MECM), leveraging cross-image historical knowledge to guide experts in providing layer-specific compensation. To address the lack of datasets for nighttime reflection separation, we construct the Nighttime Image Reflection Separation (NightIRS) dataset. Extensive experiments demonstrate that DMDNet outperforms state-of-the-art methods in both daytime and nighttime.
• Abstract（参考訳）: 画像反射分離は、混合画像から透過層と反射層をアンタングルすることを目的としている。 既存の方法は単一の画像からの限られた情報に依存しており、コントラストが似ているときに2つの層を混乱させる傾向がある。 本稿では,DMDNet(Depth-Memory Decoupling Network)を提案する。 DAScan(Depth-Aware Scanning)を使用して、Mambaを健全な構造へ誘導し、セマンティックコヒーレンスに沿った情報の流れを促進し、安定した状態を構築する。 DAScanとの相乗効果として、Depth-Synergized State-Space Model (DS-SSM) は、状態活性化の感度を深さによって調節し、層交絡を妨害するあいまいな特徴の拡散を抑制する。 さらに, メモリエキスパート補償モジュール (MECM) を導入し, クロスイメージな歴史的知識を活用し, レイヤ固有の補償を提供するための専門家の指導を行う。 夜間反射分離のためのデータセットの欠如に対処するため,夜間反射分離(NightIRS)データセットを構築した。 大規模な実験により、DMDNetは昼間と夜間の両方で最先端の手法より優れていることが示された。

関連論文リスト

• S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
  RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。 既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。 本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T15:01:55Z)
• Learnable Fractional Reaction-Diffusion Dynamics for Under-Display ToF Imaging and Beyond [41.80709169876722]
  ディスプレイ下のToFイメージングは、スクリーンパネルの下に置かれたToFカメラを通じて正確な深度検知を実現することを目的としている。 本稿では,ニューラルネットワークの表現力と物理モデリングの解釈可能性を組み合わせたハイブリッドフレームワークLFRD2を提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:12:36Z)
• Intrinsic Image Decomposition for Robust Self-supervised Monocular Depth Estimation on Reflective Surfaces [10.557788087220509]
  自己教師付き単分子深度推定(SSMDE)は深層学習の分野で注目を集めている。 固有画像分解をSSMDEに組み込んだ新しいフレームワークを提案する。 本手法は単眼深度推定と内在画像分解の両方を相乗的に訓練する。
  論文  参考訳（メタデータ） (2025-03-28T07:56:59Z)
• AGG-Net: Attention Guided Gated-convolutional Network for Depth Image Completion [1.8820731605557168]
  注意誘導ゲート畳み込みネットワーク(AGG-Net)に基づく深度画像補完のための新しいモデルを提案する。 符号化段階では、異なるスケールでの深度と色の特徴の融合を実現するために、AG-GConvモジュールが提案されている。 復号段階では、アテンションガイドスキップ接続(AG-SC)モジュールが提示され、再構成にあまりにも多くの深度に関係のない特徴を導入することを避ける。
  論文  参考訳（メタデータ） (2023-09-04T14:16:08Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Progressive Multi-scale Fusion Network for RGB-D Salient Object Detection [9.099589602551575]
  本稿では,いわゆるプログレッシブ・マルチスケール・フュージョン法の利点について論じ,マスク誘導型特徴集合モジュールを提案する。 提案フレームワークは,異なるモードの2つの特徴を効果的に組み合わせ,誤った深さ特徴の影響を軽減する。 さらに,マスク誘導型改良モジュール(MGRM)を導入し,高レベルの意味的特徴を補完し,マルチスケール融合から無関係な特徴を減らす。
  論文  参考訳（メタデータ） (2021-06-07T20:02:39Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。