論文の概要: WeatherRemover: All-in-one Adverse Weather Removal with Multi-scale Feature Map Compression
- arxiv url: http://arxiv.org/abs/2604.06623v1
- Date: Wed, 08 Apr 2026 03:02:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.315896
- Title: WeatherRemover: All-in-one Adverse Weather Removal with Multi-scale Feature Map Compression
- Title（参考訳）: WeatherRemover:マルチスケール特徴マップ圧縮によるオールインワン逆気象除去
- Authors: Weikai Qu, Sijun Liang, Cheng Pan, Zikuan Yang, Guanchi Zhou, Xianjun Fu, Bo Liu, Changmiao Wang, Ahmed Elazab,
- Abstract要約: 各種気象条件の影響を受ける画像の復元を促進するために考案されたWeatherRemoverモデルを紹介する。
我々のモデルは、ゲーティング機構とマルチスケールピラミッドビジョン変換器を備えたUNetライクな構造を採用する。
我々の軽量モデルは, 復元品質, パラメータ効率, 計算オーバーヘッド, メモリ使用量との最適バランスを実現する。
- 参考スコア（独自算出の注目度）: 5.713746691096994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Photographs taken in adverse weather conditions often suffer from blurriness, occlusion, and low brightness due to interference from rain, snow, and fog. These issues can significantly hinder the performance of subsequent computer vision tasks, making the removal of weather effects a crucial step in image enhancement. Existing methods primarily target specific weather conditions, with only a few capable of handling multiple weather scenarios. However, mainstream approaches often overlook performance considerations, resulting in large parameter sizes, long inference times, and high memory costs. In this study, we introduce the WeatherRemover model, designed to enhance the restoration of images affected by various weather conditions while balancing performance. Our model adopts a UNet-like structure with a gating mechanism and a multi-scale pyramid vision Transformer. It employs channel-wise attention derived from convolutional neural networks to optimize feature extraction, while linear spatial reduction helps curtail the computational demands of attention. The gating mechanisms, strategically placed within the feed-forward and downsampling phases, refine the processing of information by selectively addressing redundancy and mitigating its influence on learning. This approach facilitates the adaptive selection of essential data, ensuring superior restoration and maximizing efficiency. Additionally, our lightweight model achieves an optimal balance between restoration quality, parameter efficiency, computational overhead, and memory usage, distinguishing it from other multi-weather models, thereby meeting practical application demands effectively. The source code is available at https://github.com/RICKand-MORTY/WeatherRemover.
- Abstract（参考訳）: 悪天候下で撮影された写真は、しばしば、雨、雪、霧の干渉によってぼやけたり、閉塞したり、明るくなったりする。
これらの問題は、その後のコンピュータビジョンタスクのパフォーマンスを著しく損なう可能性があるため、天候効果の除去が画像強化の重要なステップとなる。
既存の手法は主に特定の気象条件をターゲットにしており、複数の気象シナリオを扱うことができるのはごくわずかである。
しかし、主流のアプローチは、しばしば性能上の考慮事項を見落とし、大きなパラメータサイズ、長い推論時間、高いメモリコストをもたらす。
本研究では,各種気象条件による画像の復元を両立させ,性能のバランスを保ちながら改善するWeatherRemoverモデルを提案する。
我々のモデルは、ゲーティング機構とマルチスケールピラミッドビジョン変換器を備えたUNetライクな構造を採用する。
特徴抽出を最適化するために畳み込みニューラルネットワークから導かれるチャネルワイドの注意を、線形空間還元は注意の計算的要求を緩和するのに役立つ。
ゲーティング機構は、フィードフォワードおよびダウンサンプリングフェーズ内に戦略的に配置され、冗長性に選択的に対処し、学習への影響を緩和することにより、情報の処理を洗練する。
このアプローチにより、必須データの適応的選択が容易になり、より優れた復元と効率の最大化が保証される。
さらに, 軽量モデルでは, 復元品質, パラメータ効率, 計算オーバーヘッド, メモリ使用量の最適バランスを達成し, 他のマルチウェザーモデルと区別し, 実用的なアプリケーション要求を効果的に満たす。
ソースコードはhttps://github.com/RICKand-MORTY/WeatherRemover.comで入手できる。
関連論文リスト
- 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) - CMAWRNet: Multiple Adverse Weather Removal via a Unified Quaternion Neural Architecture [2.2124180701409233]
画像やビデオ検索、屋外監視、自動運転といった現実世界のアプリケーションで使用される画像は、悪天候に悩まされている。
この研究は、CMAWRNetと呼ばれる統合四元数ニューラルネットワークを用いて、複数の悪天候除去のための効率的なソリューションを開発することに焦点を当てている。
これは、新しいテクスチャ構造分解ブロック、新しい軽量エンコーダ・デコーダ四元変圧器アーキテクチャ、低光補正の減衰融合ブロックに基づいている。
論文 参考訳（メタデータ） (2025-05-03T18:02:19Z) - Wavelet-Enhanced Desnowing: A Novel Single Image Restoration Approach for Traffic Surveillance under Adverse Weather Conditions [10.616178629884832]
本稿では,デュアルトレー複合ウェーブレット変換機能拡張モジュールと動的畳み込み加速度モジュールを用いたウェーブレット強化除雪法を提案する。
提案手法は, 積雪地域から情報を抽出し, 解析し, 除雪性能を著しく向上させる。
そして、残学習回復モジュールは画像のベール効果を除去し、明瞭さと詳細性を高めます。
論文 参考訳（メタデータ） (2025-03-03T09:23:46Z) - Striving for Faster and Better: A One-Layer Architecture with Auto Re-parameterization for Low-Light Image Enhancement [50.93686436282772]
我々は、視覚的品質と計算効率の両方から、画像エンハンサーの限界を掘り下げることを目指している。
タスク要求を再考することにより、視覚的品質と計算効率がモデル学習と構造設計に対応する、明示的な接続を構築する。
最終的には、単一の畳み込み層のみを使用して、優れた視覚的品質を維持しながら、効率的な低照度画像強調を実現する。
論文 参考訳（メタデータ） (2025-02-27T08:20:03Z) - MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。
本稿では,マルチウェザー変換器 (MWFormer) を提案する。
MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-11-26T08:47:39Z) - Multiple weather images restoration using the task transformer and adaptive mixup strategy [14.986500375481546]
本稿では,複雑な気象条件を適応的に効果的に処理できる,マルチタスクの厳しい天候除去モデルを提案する。
本モデルでは,気象タスクシークエンスジェネレータを組み込んで,気象タイプに特有な特徴に選択的に注目する自己認識機構を実現する。
提案モデルでは,公開データセット上での最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-09-05T04:55:40Z) - Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。
視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。
本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
論文 参考訳（メタデータ） (2024-09-02T23:46:27Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳（メタデータ） (2023-06-15T10:06:13Z) - Counting Crowds in Bad Weather [68.50690406143173]
本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。
モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。
実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
論文 参考訳（メタデータ） (2023-06-02T00:00:09Z) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-05-03T13:24:06Z)
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。