論文の概要: PRISM: Rethinking Scattered Atmosphere Reconstruction as a Unified Understanding and Generation Model for Real-world Dehazing

• arxiv url: http://arxiv.org/abs/2604.07048v1
• Date: Wed, 08 Apr 2026 13:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.541785
• Title: PRISM: Rethinking Scattered Atmosphere Reconstruction as a Unified Understanding and Generation Model for Real-world Dehazing
• Title（参考訳）: PRISM:実世界のデハジングの統一的理解と生成モデルとしての大気圏再構成の再考
• Authors: Chengyu Fang, Chunming He, Yuelin Zhang, Chubin Chen, Chenyang Zhu, Longxiang Tang, Xiu Li,
• Abstract要約: PRISMは、大気散乱モデルの下で透明なシーンと散乱変数を共同で再構成する物理的に構造化されたフレームワークである。 我々は、オンラインの非一様ヘイズ合成パイプラインと選択的な自己蒸留適応スキームを設計する。 実世界のベンチマーク実験は、PRISMがRIDタスクの最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 22.670768613999787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image dehazing (RID) aims to remove haze induced degradation from real scenes. This task remains challenging due to non-uniform haze distribution, spatially varying illumination from multiple light sources, and the scarcity of paired real hazy-clean data. In PRISM, we propose Proximal Scattered Atmosphere Reconstruction (PSAR), a physically structured framework that jointly reconstructs the clear scene and scattering variables under the atmospheric scattering model, thereby improving reliability in complex regions and mixed-light conditions. To bridge the synthetic-to-real gap, we design an online non-uniform haze synthesis pipeline and a Selective Self-distillation Adaptation scheme for unpaired real-world scenarios, which enables the model to selectively learn from high-quality perceptual targets while leveraging its intrinsic scattering understanding to audit residual haze and guide self-refinement. Extensive experiments on real-world benchmarks demonstrate that PRISM achieves state-of-the-art performance on RID tasks.
• Abstract（参考訳）: リアルワールド・イメージ・デハジング(RID)は、現実のシーンからヘイズによって引き起こされる劣化を取り除くことを目的としている。 この課題は、不均一なヘイズ分布、複数の光源からの空間的に異なる照明、およびペアの実際のヘイズクリーンデータの不足により、依然として困難なままである。 PRISMでは,大気散乱モデル下でのクリアシーンと散乱変数を共同で再構成し,複雑な領域と混合光条件における信頼性を向上させる物理構造を持つPSARを提案する。 合成と現実のギャップを埋めるために、オンラインの非一様ヘイズ合成パイプラインと選択的な自己蒸留適応スキームを設計し、その本質的な散乱理解を活用して高品質な知覚目標から選択的に学習し、残留ヘイズを監査し、自己複製を誘導する。 実世界のベンチマークでの大規模な実験により、PRISMはRIDタスクにおける最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  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。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• Bidirectional Reward-Guided Diffusion for Real-World Image Super-Resolution [79.35296000454694]
  拡散に基づく超解像は、豊富な詳細を合成することができるが、合成ペアデータで訓練されたモデルは、現実世界のLR画像では失敗することが多い。 我々は,超解像を軌道レベルの優先最適化として定式化する報奨誘導拡散フレームワークであるBird-SRを提案する。 実世界のSRベンチマークの実験では、Bird-SRは知覚品質において最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-05T19:21:45Z)
• HazeFlow: Revisit Haze Physical Model as ODE and Non-Homogeneous Haze Generation for Real-World Dehazing [7.375976854181688]
  デヘイズには、画像からヘイズや霧を取り除き、明瞭さを回復し、可視性を改善することが含まれる。 大気散乱モデル(ASM)に基づく従来の手法は、現実の複雑さや多様なヘイズパターンを扱うのに不足することが多い。 我々は、ASMを通常の微分方程式(ODE)として再構成する新しいODEベースのフレームワークであるHazeFlowを提案する。 Rectified Flow (RF)にインスパイアされたHazeFlowは、ヘイジーな画像をクリーンなものにマップするための最適なODE軌道を学び、単一の推論ステップで現実のデハージングパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-09-19T07:50:09Z)
• RPD-Diff: Region-Adaptive Physics-Guided Diffusion Model for Visibility Enhancement under Dense and Non-Uniform Haze [36.974406098488565]
  RPD-Diffは、複雑なヘイズシナリオにおける堅牢な可視性向上のための領域適応型物理誘導脱ハジング拡散モデルである。 物理的に先行して拡散マルコフ連鎖を変換し、ターゲット遷移を発生させ、密集したヘイズシナリオにおける条件付け不足の問題を緩和する。 密集した非均一なヘイズシナリオに挑戦して最先端のパフォーマンスを実現し、高品質で高精細な明快さと色忠実さを備えたヘイズフリーな画像を提供する。
  論文  参考訳（メタデータ） (2025-08-23T09:12:26Z)
• Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns [4.977925450373957]
  超解像再構成モデルのトレーニングのための新しいTripleGANフレームワークを提案する。 このフレームワークは、LR観測から実世界の劣化パターンを学習し、対応する劣化特性を持つデータセットを合成する。 本手法は, 過スムーズなアーティファクトを伴わずに, 鋭い復元を維持しながら, 定量的な測定値に明らかな利点を示す。
  論文  参考訳（メタデータ） (2025-06-20T14:24:48Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)

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。