論文の概要: Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy

• arxiv url: http://arxiv.org/abs/2605.00719v1
• Date: Fri, 01 May 2026 15:08:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.992781
• Title: Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy
• Title（参考訳）: Reward-Guided Self-Reforcement Strategy を用いた未完成画像のデライニング
• Authors: Yinghao Chen, Yeying Jin, Xiang Chen, Yanyan Wei, Ziyang Yan, Yaowen Fu,
• Abstract要約: 教師なしのデラライニングは、ペアの監督なしに実際の雨の分布を学習できる能力に注目されている。 RGSUD(Reward-Guided Self-Reinforcement Unsupervised Image Deraining)は,報酬リサイクルと自己強化の2つの重要な段階からなる。 提案手法は,ペア合成,ペア化実画像,ペア化実画像,ペア化実画像を含む複数のデータセット間でSOTA性能を実現する。
• 参考スコア（独自算出の注目度）: 18.112040186282723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised deraining has attracted attention for its ability to learn the real-world distribution of rain without paired supervision. However, the lack of strong constraints makes it difficult for the network to converge, especially with the complex diversity of rain degradation. A key motivation is that high-quality deraining results occasionally emerge during training, which can be leveraged to guide the optimization process. To overcome these challenges, we introduce RGSUD (Reward-Guided Self-Reinforcement Unsupervised Image Deraining), comprising two key stages: reward recycling and self-reinforcement (SR) training. For the former stage, we propose an Image Quality Assessment (IQA)-based dynamic reward recycling mechanism that selects optimal derained outputs during training and continuously collects high-quality deraining images. In latter stage, we incorporate these rewards into the model's optimization process, constraining the optimization space and improving alignment between derained outputs and clean images. By leveraging IQA-based self-reinforced loss and dynamically updated rewards, we enhance the quality of synthesized pseudo-paired data and stabilize the optimization. Extensive experiments demonstrate that our method achieves SOTA performance across multiple datasets, including paired synthetic, paired real, and unpaired real images, outperforming existing unsupervised deraining approaches in both subjective and objective IQA metrics. Additionally, we show that the self-reinforcement strategy is adaptable to other unsupervised deraining methods and our deraining framework demonstrates strong generalization across existing supervised deraining networks.
• Abstract（参考訳）: 教師なしのデラライニングは、ペアの監督なしに実際の雨の分布を学習できる能力に注目されている。 しかし、強い制約の欠如は、特に降雨量の複雑な多様性によって、ネットワークの収束を困難にしている。 鍵となるモチベーションは、トレーニング中に時に高品質なデラミニング結果が現れ、最適化プロセスのガイドに利用することができることである。 これらの課題を克服するために,RGSUD(Reward-Guided Self-Reinforcement Unsupervised Image Deraining)を導入する。 前段階では,画像品質評価(IQA)に基づく動的報酬リサイクル機構を提案し,トレーニング中に最適な評価出力を選択し,高品質な評価画像の連続収集を行う。 後段では、これらの報酬をモデルの最適化プロセスに組み込み、最適化空間を制約し、デライン出力とクリーンイメージとの整合性を改善する。 IQAに基づく自己強化損失と動的に更新された報酬を利用して、合成擬似ペアデータの品質を高め、最適化を安定化する。 大規模実験により, 提案手法は, 合成, ペア化実画像, ペア化実画像, ペア化実画像を含む複数のデータセット間でSOTA性能を達成し, 主観的および客観的なIQA測定値において, 既存の教師なし定位手法よりも優れていた。 さらに, 自己強化戦略は他の非教師付きデラニング手法にも適用可能であることを示すとともに, 既存の教師付きデラニングネットワークにまたがる強力な一般化を実証する。

関連論文リスト

• Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
  我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。 Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。 本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
  論文  参考訳（メタデータ） (2026-04-18T06:10:57Z)
• 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)
• 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)
• OmniQuality-R: Advancing Reward Models Through All-Encompassing Quality Assessment [55.59322229889159]
  我々は,マルチタスク品質推論を連続的かつ解釈可能な報酬信号に変換する統一報酬モデリングフレームワークOmniQuality-Rを提案する。 我々は、推論強化報酬モデルデータセットを使用して、教師付き微調整のための信頼性の高いチェーンオブ思考データセットを構築します。 OmniQuality-Rは,美的品質評価,技術的品質評価,テキスト画像アライメントという3つの重要なIQAタスクで評価する。
  論文  参考訳（メタデータ） (2025-10-12T13:46:28Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Continual Learning-Based Unified Model for Unpaired Image Restoration Tasks [2.7241418453016792]
  自律運転のような応用には、異なる気象条件により劣化した画像の復元を行うために統一モデルが必要である。 画像復元のための統合フレームワークを提案するために,連続的な学習手法を提案する。 PSNR, SSIM, 知覚的品質が, 最先端技術よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-07-25T11:47:40Z)
• Channel Consistency Prior and Self-Reconstruction Strategy Based Unsupervised Image Deraining [6.748447305270562]
  本稿では,新しいチャネル整合性優先・自己再構成戦略に基づく教師なし画像評価フレームワークCSUDを提案する。 未ペアデータによるトレーニングでは、CSUDは高品質な擬似クリーンで雨天のイメージペアを生成することができる。 複数の合成および実世界のデータセットの実験により、CSUDの劣化性能が、他の最先端の教師なし手法を上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-24T14:15:48Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• 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。