論文の概要: Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline

• arxiv url: http://arxiv.org/abs/2603.16446v1
• Date: Tue, 17 Mar 2026 12:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.271868
• Title: Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline
• Title（参考訳）: 雨滴と反射の統一除去:新しいベンチマークと新しいパイプライン
• Authors: Xingyu Liu, Zewei He, Yu Chen, Chunyu Zhu, Zixuan Chen, Xing Luo, Zhe-Ming Lu,
• Abstract要約: 雨滴と反射は、キャプチャー画像の視認性を著しく低下させるためにしばしば共起する。 まず最初に、最初にレインドロップとリフレクション(UR$3$)タスクの統一的な削除を定義します。 本稿では,この課題に対応するために,新しい拡散型フレームワーク (DiffUR$3$) を提案する。
• 参考スコア（独自算出の注目度）: 23.05612697278085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When capturing images through glass surfaces or windshields on rainy days, raindrops and reflections frequently co-occur to significantly reduce the visibility of captured images. This practical problem lacks attention and needs to be resolved urgently. Prior de-raindrop, de-reflection, and all-in-one models have failed to address this composite degradation. To this end, we first formally define the unified removal of raindrops and reflections (UR$^3$) task for the first time and construct a real-shot dataset, namely RainDrop and ReFlection (RDRF), which provides a new benchmark with substantial, high-quality, diverse image pairs. Then, we propose a novel diffusion-based framework (i.e., DiffUR$^3$) with several target designs to address this challenging task. By leveraging the powerful generative prior, DiffUR$^3$ successfully removes both types of degradations. Extensive experiments demonstrate that our method achieves state-of-the-art performance on our benchmark and on challenging in-the-wild images. The RDRF dataset and the codes will be made public upon acceptance.
• Abstract（参考訳）: 雨の日にガラスの表面やフロントガラスを通して画像を撮影する場合、雨滴や反射が頻繁に発生し、撮影画像の視認性を著しく低下させる。 この実践的な問題は注意を欠き、緊急に解決する必要がある。 以前は、デラインドロップ、デリフレクション、オールインワンモデルは、この複合劣化に対処できなかった。 この目的のために、我々は最初に雨滴と反射の統一除去(UR$^3$)タスクを正式に定義し、実際のデータセット、すなわちRainDrop and ReFlection (RDRF)を構築した。 そこで我々は,この課題に対処するために,新しい拡散型フレームワーク (DiffUR$^3$) を提案する。 DiffUR$^3$は、強力な生成前の利点を生かして、両方の種類の分解をうまく除去する。 広汎な実験により,本手法は,我々のベンチマークにおける最先端の性能と,画像の編集に挑戦する上での課題を実証した。 RDRFデータセットとコードは受理時に公開される。

関連論文リスト

• NTIRE 2025 Challenge on Day and Night Raindrop Removal for Dual-Focused Images: Methods and Results [173.5963741512905]
  NTIRE 2025 Challenge on Day and Night Raindrop removal for Dual-Focused Images。 この課題は、我々の収集した実世界のレインドロップ・クラリティーデータセットを使用して開発され、評価された、幅広い印象的なソリューションを受け取った。 この課題の主な目的は、様々な照明と焦点条件の下で雨滴を除去するタスクのための、新しく強力なベンチマークを確立することである。
  論文  参考訳（メタデータ） (2025-04-17T07:35:35Z)
• Unsupervised Network for Single Image Raindrop Removal [4.982370044801629]
  本研究では,教師なし学習に基づく雨滴除去のためのディープニューラルネットワークを提案する。 提案モデルでは,サイクルネットワークアーキテクチャに基づく層分離を行う。 雨滴ベンチマークデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-12-04T04:10:50Z)
• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• From Sky to the Ground: A Large-scale Benchmark and Simple Baseline Towards Real Rain Removal [28.029107707930063]
  我々は,100万の高解像度(1920*1080)フレーム対を持つ3000の動画シーケンスを含む大規模高品質ペアド実雨量ベンチマーク(LHP-Rain)を構築した。 提案したデータセットの利点は3つある: 雨は多彩で大規模、画像は高解像度で高画質の地上構造である。
  論文  参考訳（メタデータ） (2023-08-07T18:39:14Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
  現実シナリオにおけるSID(Single Image deraining)は近年注目されている。 以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。 我々はRealRain-1kという新しい高品質のデータセットを構築した。
  論文  参考訳（メタデータ） (2022-06-11T12:26:59Z)
• Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior [103.49307603952144]
  ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。 本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。 単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-09T04:15:10Z)
• 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)

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。