論文の概要: Adaptive Language-Aware Image Reflection Removal Network

• arxiv url: http://arxiv.org/abs/2603.06200v1
• Date: Fri, 06 Mar 2026 12:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.677098
• Title: Adaptive Language-Aware Image Reflection Removal Network
• Title（参考訳）: 適応言語対応画像反射除去ネットワーク
• Authors: Siyan Fang, Yuntao Wang, Jinpu Zhang, Ziwen Li, Yuehuan Wang,
• Abstract要約: 本稿では,不正確な言語入力であっても,適応型言語認識ネットワーク(ALANet)を用いてリフレクションを除去する手法を提案する。 ALANetはフィルタリングと最適化の戦略を統合している。 実験により,ALANetは画像反射除去の最先端手法を超越していることが示された。
• 参考スコア（独自算出の注目度）: 16.624135647958102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing image reflection removal methods struggle to handle complex reflections. Accurate language descriptions can help the model understand the image content to remove complex reflections. However, due to blurred and distorted interferences in reflected images, machine-generated language descriptions of the image content are often inaccurate, which harms the performance of language-guided reflection removal. To address this, we propose the Adaptive Language-Aware Network (ALANet) to remove reflections even with inaccurate language inputs. Specifically, ALANet integrates both filtering and optimization strategies. The filtering strategy reduces the negative effects of language while preserving its benefits, whereas the optimization strategy enhances the alignment between language and visual features. ALANet also utilizes language cues to decouple specific layer content from feature maps, improving its ability to handle complex reflections. To evaluate the model's performance under complex reflections and varying levels of language accuracy, we introduce the Complex Reflection and Language Accuracy Variance (CRLAV) dataset. Experimental results demonstrate that ALANet surpasses state-of-the-art methods for image reflection removal. The code and dataset are available at https://github.com/fashyon/ALANet.
• Abstract（参考訳）: 既存のイメージリフレクション除去法は複雑なリフレクションを扱うのに苦労する。 正確な言語記述は、複雑なリフレクションを取り除くために画像の内容を理解するのに役立つ。 しかし、反射像のぼかしや歪んだ干渉により、画像内容の機械生成言語記述が不正確な場合が多く、言語誘導反射除去の性能を損なう。 これを解決するために,不正確な言語入力であってもリフレクションを除去する適応言語認識ネットワーク(ALANet)を提案する。 具体的には、ALANetはフィルタリングと最適化の戦略を統合している。 フィルタリング戦略は、その利点を保ちながら言語が負の効果を減少させる一方、最適化戦略は言語と視覚的特徴の整合性を高める。 ALANetはまた、言語キューを使用して、特定のレイヤコンテンツをフィーチャーマップから切り離し、複雑なリフレクションを処理する能力を改善している。 複雑なリフレクションと言語精度の異なるレベルでのモデルの性能を評価するため,複雑なリフレクションと言語精度変動(CRLAV)データセットを提案する。 実験により,ALANetは画像反射除去の最先端手法を超越していることが示された。 コードとデータセットはhttps://github.com/fashyon/ALANet.comで公開されている。

関連論文リスト

• FIRM: Flexible Interactive Reflection reMoval [75.38207315080624]
  本稿では,フレキシブル・インタラクティブ・イメージ・リフレクション・リモーバルのための新しいフレームワークFIRMを提案する。 提案するフレームワークは,従来の対話的手法で必要とされるガイダンス時間の10%しか必要としない。 実世界のリフレクション除去データセットの結果から,提案手法が最先端のリフレクション除去性能を示すことが確認された。
  論文  参考訳（メタデータ） (2024-06-03T17:34:37Z)
• Language-guided Image Reflection Separation [48.06512741731805]
  この問題を解決するための統一的な枠組みを提案する。 ゲートネットワーク設計とランダムなトレーニング戦略を用いて、認識可能な層あいまいさに対処する。
  論文  参考訳（メタデータ） (2024-02-19T06:32:23Z)
• A Categorized Reflection Removal Dataset with Diverse Real-world Scenes [54.662456878340215]
  我々は、分類され、多様で、現実世界(CDR)に分類された新しい反射除去データセットを構築する。 データセットは様々な環境下で様々なガラスタイプを使用して構築され、多様性が保証される。 現状の反射除去法は, 一般にぼやけた反射に対して良好に機能するが, 他の種類の実世界の反射に対する満足度は得られないことを示す。
  論文  参考訳（メタデータ） (2021-08-07T06:56:57Z)
• Iterative Gradient Encoding Network with Feature Co-Occurrence Loss for Single Image Reflection Removal [6.370905925442655]
  単一画像反射除去のための反復グラデーション符号化ネットワークを提案する。 提案手法は,既存の画像設定に対する反射を良好に除去することができる。
  論文  参考訳（メタデータ） (2021-03-29T19:29:29Z)
• Location-aware Single Image Reflection Removal [54.93808224890273]
  本稿では,位置認識型深層学習に基づく単一画像反射除去手法を提案する。 我々は,リフレクション信頼度マップをネットワークの手がかりとして活用し,リフレクション情報を適応的にエンコードする方法を学習する。 位置情報のネットワークへの統合は、反射除去結果の品質を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-12-13T19:34:35Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。