論文の概要: Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis

• arxiv url: http://arxiv.org/abs/2603.21661v1
• Date: Mon, 23 Mar 2026 07:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.546358
• Title: Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis
• Title（参考訳）: 非ペアデータを用いたクロス・セナリオ・デライニング適応:スーパーピクセル構造優先と多段擬似レイン合成
• Authors: Kangbo Zhao, Miaoxin Guan, Xiang Chen, Yukai Shi, Jinshan Pan,
• Abstract要約: 低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 48.809049043865905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image deraining plays a pivotal role in low-level computer vision, serving as a prerequisite for robust outdoor surveillance and autonomous driving systems. While deep learning paradigms have achieved remarkable success in firmly aligned settings, they often suffer from severe performance degradation when generalized to unseen Out-of-Distribution (OOD) scenarios. This failure stems primarily from the significant domain discrepancy between synthetic training datasets and the complex physical dynamics of real-world rain. To address these challenges, this paper proposes a pioneering cross-scenario deraining adaptation framework. Diverging from conventional approaches, our method obviates the requirements for paired rainy observations in the target domain, leveraging exclusively rain-free background images. We design a Superpixel Generation (Sup-Gen) module to extract stable structural priors from the source domain using Simple Linear Iterative Clustering. Subsequently, a Resolution-adaptive Fusion strategy is introduced to align these source structures with target backgrounds through texture similarity, ensuring the synthesis of diverse and realistic pseudo-data. Finally, we implement a pseudo-label re-Synthesize mechanism that employs multi-stage noise generation to simulate realistic rain streaks. This framework functions as a versatile plug-and-play module capable of seamless integration into arbitrary deraining architectures. Extensive experiments on state-of-the-art models demonstrate that our approach yields remarkable PSNR gains of up to 32% to 59% in OOD domains while significantly accelerating training convergence.
• Abstract（参考訳）: 低レベルのコンピュータビジョンにおいてイメージデライニングは重要な役割を担い、堅牢な屋外監視と自律運転システムのための前提条件となっている。 ディープラーニングのパラダイムは、しっかりと整合した設定で顕著な成功を収めていますが、しばしば、目に見えないアウト・オブ・ディストリビューション(OOD)シナリオに一般化されると、パフォーマンスの深刻な低下に悩まされます。 この失敗は、主に、合成トレーニングデータセットと現実世界の雨の複雑な物理力学との間の重要なドメインの相違に起因する。 これらの課題に対処するため,本論文では,クロスシナリオ・デライング適応フレームワークを先駆的に提案する。 本手法は, 従来の手法と異なり, 雨の少ない背景画像を利用して, 対象領域における対降雨観測の要件を緩和する。 我々は,Sup-Genモジュールを設計し,シンプルな線形反復クラスタリングを用いて,ソースドメインから安定した構造的事前情報を抽出する。 その後、これらのソース構造をテクスチャの類似性を通じて対象の背景と整合させることにより、多様で現実的な擬似データの合成を実現する。 最後に,マルチステージノイズ発生を利用した擬似ラベル再合成機構を実装し,実際の雨害をシミュレートする。 このフレームワークは任意のデラインアーキテクチャへのシームレスな統合が可能な汎用的なプラグイン・アンド・プレイモジュールとして機能する。 OODドメインではPSNRが最大で32%から59%向上し,トレーニングの収束が著しく加速した。

関連論文リスト

• Derain-Agent: A Plug-and-Play Agent Framework for Rainy Image Restoration [33.7820079889815]
  Derain-Agentは静的な処理から動的エージェントベースの復元へ移行するプラグイン・アンド・プレイ・リファインメント・フレームワークである。 Derain-Agentは、1)各インスタンスに対して最適な修復ツールのシーケンスをインテリジェントにスケジュールするプランニングネットワーク、2)これらのツールを空間適応強度で適用する強度変調機構の2つのコア機能を備えたベースデラリニングモデルを備えている。 提案手法は, 合成および実世界のベンチマークにおいて, 最先端のデラミニングモデルの性能を継続的に向上させ, 強力な一般化を示す。
  論文  参考訳（メタデータ） (2026-03-12T12:38:23Z)
• UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization [22.057301683465074]
  降雨量と降雨量で劣化した画像の復元が可能な有効統合画像デライン化フレームワークUniRainを提案する。 統合モデル一般化を向上するため,我々はインテリジェント検索拡張生成(RAG)ベースのデータセット蒸留パイプラインを構築した。 我々のフレームワークは、提案したベンチマークと複数の公開データセットの最先端モデルに対して好意的に機能する。
  論文  参考訳（メタデータ） (2026-03-04T11:58:51Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
  本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。 マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。 降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-22T15:50:00Z)
• ContRail: A Framework for Realistic Railway Image Synthesis using ControlNet [39.58317527488534]
  画像合成は、オリジナルおよび現実的な画像を作成することができるインテリジェントモデルの設計を通じて、制限に対処することを目的としている。 本稿では,新しい安定拡散モデル制御ネットに基づくContRailフレームワークを提案する。 我々は,鉄道固有の課題における性能を改善するために,合成鉄道画像生成の課題を実験した。
  論文  参考訳（メタデータ） (2024-12-09T18:34:49Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。