Fugu-MT 論文翻訳(概要): UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing

論文の概要: UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing

arxiv url: http://arxiv.org/abs/2601.06909v2
Date: Sun, 18 Jan 2026 07:53:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 14:05:44.989905
Title: UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing
Title（参考訳）: UDPNet:ロバスト画像のデハジングに先駆ける
Authors: Zengyuan Zuo, Junjun Jiang, Gang Wu, Xianming Liu,
Abstract要約: UDPNetは、大規模で事前訓練された深度推定モデルDepthAnything V2から深度に基づく事前情報を活用する一般的なフレームワークである。提案手法は,様々なシナリオにまたがる深度認識デハージングのための新しいベンチマークを確立する。
参考スコア（独自算出の注目度）: 77.10640210751981
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image dehazing has witnessed significant advancements with the development of deep learning models. However, most existing methods focus solely on single-modal RGB features, neglecting the inherent correlation between scene depth and haze distribution. Even those that jointly optimize depth estimation and image dehazing often suffer from suboptimal performance due to inadequate utilization of accurate depth information. In this paper, we present UDPNet, a general framework that leverages depth-based priors from a large-scale pretrained depth estimation model DepthAnything V2 to boost existing image dehazing models. Specifically, our architecture comprises two key components: the Depth-Guided Attention Module (DGAM) adaptively modulates features via lightweight depth-guided channel attention, and the Depth Prior Fusion Module (DPFM) enables hierarchical fusion of multi-scale depth map features by dual sliding-window multi-head cross-attention mechanism. These modules ensure both computational efficiency and effective integration of depth priors. Moreover, the depth priors empower the network to dynamically adapt to varying haze densities, illumination conditions, and domain gaps across synthetic and real-world data. Extensive experimental results demonstrate the effectiveness of our UDPNet, outperforming the state-of-the-art methods on popular dehazing datasets, with PSNR improvements of 0.85 dB on SOTS-indoor, 1.19 dB on Haze4K, and 1.79 dB on NHR. Our proposed solution establishes a new benchmark for depth-aware dehazing across various scenarios. Pretrained models and codes are released at our project https://github.com/Harbinzzy/UDPNet.
Abstract（参考訳）: 画像のデハジングは、ディープラーニングモデルの開発で大きな進歩をみせた。しかし,既存の手法のほとんどは,シーン深度とヘイズ分布の関連性を無視した単一モードRGB機能にのみ焦点をあてている。深度推定と画像デハージングを共同で最適化する場合でも、正確な深度情報の不十分な利用により、最適以下の性能に悩まされることが多い。本稿では,大規模な事前学習深度推定モデルDepthAnything V2から深度に基づく先行情報を活用する汎用フレームワークUDPNetについて述べる。具体的には,DGAM (Depth-Guided Attention Module) とDPFM (Depth Prior Fusion Module) の2つの重要なコンポーネントで構成されている。これらのモジュールは、計算効率と奥行き前の効果的な統合の両方を保証する。さらに、奥行き優先により、合成および実世界のデータ間の様々なヘイズ密度、照明条件、ドメインギャップに動的に適応することが可能になる。広汎な実験結果から,一般の脱ハージングデータセットにおけるUDPNetの有効性が示され,SOTS-indoorでは0.85dB,Haze4Kでは1.19dB,NHRでは1.79dBの改善が見られた。提案手法は,様々なシナリオにまたがる深度認識デハージングのための新しいベンチマークを確立する。事前トレーニングされたモデルとコードは、プロジェクトのhttps://github.com/Harbinzzy/UDPNet.comでリリースされます。

関連論文リスト

StarryGazer: Leveraging Monocular Depth Estimation Models for Domain-Agnostic Single Depth Image Completion [56.28564075246147]
StarryGazerは、単一のスパース深度画像とRGB画像から高密度深度画像を予測するフレームワークである。我々は、相対深度画像を生成するために、事前訓練されたMDEモデルを用いる。モデルの精度とロバスト性を改善するために、相対深度マップとRGBイメージを組み込んだ合成ペアを用いて改良ネットワークを訓練する。
論文参考訳（メタデータ） (2025-12-15T09:56:09Z)
Propagating Sparse Depth via Depth Foundation Model for Out-of-Distribution Depth Completion [33.854696587141355]
本研究では,大規模トレーニングを伴わずに,深度基礎モデルを利用して顕著な堅牢性を実現する新しい深度補修フレームワークを提案する。具体的には、深度基盤モデルを用いて、RGB画像から構造的・意味的文脈を含む環境条件を抽出し、疎度情報の欠落領域への伝播を誘導する。我々のフレームワークはOODシナリオにおいて非常によく機能し、既存の最先端の深度補完手法よりも優れています。
論文参考訳（メタデータ） (2025-08-07T02:38:24Z)
High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy [23.431898388115044]
高精細度画像から細粒度オブジェクトを抽出する作業として,DIS(High-precision Dichotomous Image segmentation)がある。既存の方法はジレンマに直面し、非拡散法は効率的に機能するが、弱い意味論による誤検出や誤検出に悩まされる。単眼深度推定モデルから擬似深度情報を得ると,本質的な意味理解が得られる。
論文参考訳（メタデータ） (2025-03-08T07:02:28Z)
Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
論文参考訳（メタデータ） (2024-04-05T17:55:33Z)
Mask-adaptive Gated Convolution and Bi-directional Progressive Fusion Network for Depth Completion [3.5940515868907164]
エンコーダ・デコーダ構造に基づく深度補完のための新しいモデルを提案する。本モデルでは,マスク適応型Gated Convolutionアーキテクチャと双方向プログレッシブフュージョンモジュールの2つの重要なコンポーネントを紹介する。深度マップの完成と既存手法の精度と信頼性に優れる性能を実現した。
論文参考訳（メタデータ） (2024-01-15T02:58:06Z)
HR-Depth: High Resolution Self-Supervised Monocular Depth Estimation [14.81943833870932]
本稿では,2つの効果的な戦略を持つ改良DepthNet,HR-Depthを提案する。 resnet-18をエンコーダとして使用すると、hr-depthは、高解像度と低解像度の両方で最小パラマエターを持つ、以前の最先端(sota)メソッドをすべて上回る。
論文参考訳（メタデータ） (2020-12-14T09:15:15Z)
Dual Pixel Exploration: Simultaneous Depth Estimation and Image Restoration [77.1056200937214]
本研究では,ぼかしと深度情報をリンクするDPペアの形成について検討する。本稿では,画像の深さを共同で推定し,復元するためのエンドツーエンドDDDNet(DPベースのDepth and De Network)を提案する。
論文参考訳（メタデータ） (2020-12-01T06:53:57Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)
A Single Stream Network for Robust and Real-time RGB-D Salient Object Detection [89.88222217065858]
我々は、深度マップを用いて、RGBと深度の間の早期融合と中核融合を誘導する単一ストリームネットワークを設計する。このモデルは、現在の最も軽量なモデルよりも55.5%軽く、32 FPSのリアルタイム速度で384倍の384ドルの画像を処理している。
論文参考訳（メタデータ） (2020-07-14T04:40:14Z)

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。