論文の概要: CLIP-Guided Data Augmentation for Night-Time Image Dehazing

• arxiv url: http://arxiv.org/abs/2604.05500v1
• Date: Tue, 07 Apr 2026 06:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.671062
• Title: CLIP-Guided Data Augmentation for Night-Time Image Dehazing
• Title（参考訳）: 夜間画像復調のためのCLIP-Guided Data Augmentation
• Abstract要約: 本稿では,NTIRE 2026 Night Time Image Dehazing Challengeに対して,統合されたフレームワークとして構築したソリューションを提案する。 NAFNetは2つの段階でトレーニングされ、まずターゲットドメインに適応し、その後より広範な劣化パターンに拡張される。 推論時に、TLC、x8自己アンサンブル、重み付きスナップショット融合を組み合わせて出力安定性を向上させる。
• 参考スコア（独自算出の注目度）: 4.407514620852976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nighttime image dehazing faces a more complex degradation pattern than its daytime counterpart, as haze scattering couples with low illumination, non-uniform lighting, and strong light interference. Under limited supervision, this complexity aggravates domain drift and training instability, since target-domain samples are scarce while naively introducing external data may weaken adaptation due to distribution mismatch. This paper presents our solution to the NTIRE 2026 Night Time Image Dehazing Challenge, built as a unified framework that integrates domain-aligned data construction, stage-wise training, and inference-time enhancement. Specifically, a pre-trained CLIP visual encoder screens candidate external samples by similarity to construct training data closer to the target domain. NAFNet is then trained in two stages, first adapting to the target domain and then expanding to broader degradation patterns. At inference time, TLC, x8 self-ensemble, and weighted snapshot fusion are combined to improve output stability. Rather than relying on complex network redesign, the proposed framework offers a practical and effective pipeline for nighttime image dehazing.
• Abstract（参考訳）: 夜間の露光は、日中よりも複雑な劣化パターンに直面する。 限定的な監視の下では、この複雑さはドメインのドリフトとトレーニングの不安定性を増大させる。 本稿では,NTIRE 2026 Night Time Image Dehazing Challengeに対する解決策を提案する。 具体的には、トレーニング済みのCLIPビジュアルエンコーダが、対象ドメインに近いトレーニングデータを構築するために、類似性で候補外部サンプルをスクリーニングする。 NAFNetは2つのステージでトレーニングされ、まずターゲットドメインに適応し、その後、より広範な劣化パターンに拡張される。 推論時に、TLC、x8自己アンサンブル、重み付きスナップショット融合を組み合わせて出力安定性を向上させる。 複雑なネットワークの再設計に頼るのではなく、提案されたフレームワークは、夜間のイメージデハージングに実用的で効果的なパイプラインを提供する。

関連論文リスト

• UBLLIE: Unified Backlight and Low-Light Image Enhancement [15.386282490743838]
  バックライトと低照度の画像は、しばしば激しい露光不均衡や地球規模の露出不足に悩まされる。 両タイプの劣化に対処する統一的で教師なしの強化フレームワークを提案する。 我々のフレームワークは、忠実さ、知覚的品質、一般化の観点から、最先端の教師あり、教師なしの手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-05T04:17:05Z)
• EvLIR: Learning Illumination Residuals from Ordered Events for Low-Light Image Enhancement [13.751247283539177]
  EvLIRは、低照度画像強調のための順序付けられたイベントから照明残差を学習する。 SDEおよびSDSD屋内/屋外ベンチマークでは、EvLIRは12組のデータセットメトリックペアのうち11組で最高の結果を得る。
  論文  参考訳（メタデータ） (2026-06-28T14:47:49Z)
• HistoFusionNet: Histogram-Guided Fusion and Frequency-Adaptive Refinement for Nighttime Image Dehazing [20.95434972260448]
  HistoFusionNetは、夜間のイメージデハージングに適したトランスフォーマー強化アーキテクチャである。 当社のチームは22の参加チームの中で1位にランクインし、当社の手法の堅牢性と競争性を強調しました。
  論文  参考訳（メタデータ） (2026-04-04T17:08:13Z)
• CIAR: Interval-based Collaborative Decoding for Image Generation Acceleration [47.52310736101766]
  自動回帰(AR)モデルは最近画像生成において顕著な進歩を遂げ、拡散ベースのアプローチに匹敵するパフォーマンスを実現している。 我々は、デバイス上での自己検証を利用して視覚合成の2つの重要な特性を扱うクラウド・デバイス・コラボレーション・フレームワークである textbfCIAR を通じてこの問題に対処する。 提案手法は, 連続確率間隔を用いて処理を高速化し, 大規模視覚語彙で実現可能なオンデバイストークン不確実性定量化器に重点を置いている。
  論文  参考訳（メタデータ） (2026-03-26T14:04:50Z)
• VAE-REPA: Variational Autoencoder Representation Alignment for Efficient Diffusion Training [53.09658039757408]
  本稿では,効率的な拡散訓練のための軽量な固有ガイダンスフレームワークである textbfnamex を提案する。 nameは、拡散トランスフォーマーの中間潜時特徴を、軽量なプロジェクション層を介してVAE特徴と整列し、特徴アライメントロスによって教師される。 実験により、バニラ拡散変圧器と比較して、名称が生成品質とトレーニング収束速度の両方を改善することが示された。
  論文  参考訳（メタデータ） (2026-01-25T13:22:38Z)
• Exploring Fourier Prior and Event Collaboration for Low-Light Image Enhancement [1.8724535169356553]
  イベントカメラは低照度画像強調のための性能向上を提供する。 現在、既存のイベントベースのメソッドは、フレームとイベントを直接単一のモデルにフィードする。 本稿では,振幅-位相絡み付き可視性回復ネットワークを提案する。 第2段階では、空間的ミスマッチを軽減するために、動的アライメントを伴う融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-01T04:25:00Z)
• The Devil is in the Darkness: Diffusion-Based Nighttime Dehazing Anchored in Brightness Perception [58.895000127068194]
  本稿では,Diffusion-based Nighttime Dehazingフレームワークについて紹介する。 輝度知覚ネットワークによって導かれる事前学習拡散モデルを統合する復元モデルを提案する。 実験では、データセットの有用性と、ジョイントヘイズ除去と輝度マッピングにおけるモデルの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-06-03T03:21:13Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
  自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。 コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。 提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
  論文  参考訳（メタデータ） (2024-10-07T05:36:11Z)
• Unrolled Decomposed Unpaired Learning for Controllable Low-Light Video Enhancement [48.76608212565327]
  本稿では,2対の地上真実を使わずに,低照度映像のエンハンスメントを学習する上での取り組みについて述べる。 低照度画像の強調に比べて、空間領域におけるノイズ、露出、コントラストの相互干渉効果により、時間的コヒーレンスの必要性が伴うため、低照度映像の強調は困難である。 本稿では,信号の空間的・時間的関連要因に分解するために,最適化関数を深層ネットワークにアンロールすることで低照度映像の高精細化を実現するUnrolled Decompposed Unpaired Network (UDU-Net)を提案する。
  論文  参考訳（メタデータ） (2024-08-22T11:45:11Z)
• 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)
• FCL-GAN: A Lightweight and Real-Time Baseline for Unsupervised Blind Image Deblurring [72.43250555622254]
  本稿では,周波数領域の競合損失制約型軽量サイクルGANと呼ばれる,軽量でリアルタイムな非教師付きBIDベースラインを提案する。 FCL-GANは、画像領域制限がなく、画像解像度制限がなく、SOTAより25倍軽く、SOTAより5倍高速である。 いくつかの画像データセットの実験では、性能、モデルサイズ、参照時間の観点からFCL-GANの有効性が示されている。
  論文  参考訳（メタデータ） (2022-04-16T15:08:03Z)

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。