論文の概要: Multi-Branch Non-Homogeneous Image Dehazing via Concentration Partitioning and Image Fusion

• arxiv url: http://arxiv.org/abs/2605.00885v1
• Date: Mon, 27 Apr 2026 09:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.448007
• Title: Multi-Branch Non-Homogeneous Image Dehazing via Concentration Partitioning and Image Fusion
• Title（参考訳）: 濃度分割と画像融合によるマルチブランチ非均一画像デハージング
• Authors: Yingming Zhang, Wuqi Su, Qing Xiao, Yonggang Yang,
• Abstract要約: 我々は、濃度分割と画像融合ネットワーク(CPIFNet)と呼ばれる新しいマルチブランチディープニューラルネットワークフレームワークを提案する。 CPIFNetは、難解な非等質脱ハージング問題を、抽出可能な準プロブレムの集合に分解する。 第1段階では、複数のIENetブランチは、異なる濃度の均一なヘイズデータセットで独立に訓練され、それぞれのヘイズ密度に合わせて回復する領域で優れた拡張モデルを生成する。 第2段階では、IFNetは、ディープ・フィーチャー・スタックリングとマージを通じて全てのエンハンスメント・アウトプットから有利な領域をインテリジェントに集約し、統一された高品質なデハズド結果をもたらす。
• 参考スコア（独自算出の注目度）: 6.998442855153326
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing single image dehazing methods have demonstrated satisfactory performance on homogeneous thin-haze images; however, they often struggle with non-homogeneous hazy images that exhibit spatially varying haze concentrations and abrupt density transitions across different regions. To address this fundamental limitation, we propose a novel multi-branch deep neural network framework, termed Concentration Partitioning and Image Fusion Network (CPIFNet), which decomposes the challenging non-homogeneous dehazing problem into a set of tractable homogeneous sub-problems. Our key insight is that a single non-homogeneous hazy image can be viewed as a composite of multiple local regions, each exhibiting approximately homogeneous haze characteristics. CPIFNet employs a two-stage architecture consisting of an Image Enhancement Network (IENet) stage and an Image Fusion Network (IFNet) stage. In the first stage, multiple IENet branches are independently trained on homogeneous haze datasets of different concentration levels, producing enhancement models that excel at restoring regions matching their respective haze densities. In the second stage, the IFNet intelligently aggregates the advantageous regions from all enhancement outputs through deep feature stacking and merging, yielding a unified high-quality dehazed result. Furthermore, we introduce a comprehensive loss function incorporating reconstruction, perceptual, structural, and color losses to jointly supervise both stages.
• Abstract（参考訳）: 既存の単一画像デハージング法は、均一な薄膜ヘイズ画像に対して良好な性能を示すが、空間的に異なるヘイズ濃度と異なる領域にわたる急激な密度遷移を示す非均一なヘイズ画像としばしば競合する。 この基本的限界に対処するため,我々は,不均質な不均質なデハージング問題を抽出可能な均一なサブプロブレムの集合に分解する,集中分割・画像融合ネットワーク(CPIFNet)と呼ばれる,新しいマルチブランチディープニューラルネットワークフレームワークを提案する。 我々の重要な洞察は、1つの非均一なハズ像を複数の局所領域の合成物と見なすことができ、それぞれがほぼ均一なハズ特性を示すことである。 CPIFNetは、画像拡張ネットワーク(IENet)ステージと画像融合ネットワーク(IFNet)ステージからなる2段階アーキテクチャを採用している。 第1段階では、複数のIENetブランチは、異なる濃度の均一なヘイズデータセットで独立に訓練され、それぞれのヘイズ密度に合わせて回復する領域で優れた拡張モデルを生成する。 第2段階では、IFNetは、深い特徴の積み重ねとマージを通じて、すべての拡張出力から有利な領域をインテリジェントに集約し、統一された高品質なデハズド結果をもたらす。 さらに,両段階を共同で監督するために,再建,知覚,構造,色損失を取り入れた包括的損失関数を導入する。

関連論文リスト

• SGDFuse: SAM-Guided Diffusion for High-Fidelity Infrared and Visible Image Fusion [65.80051636480836]
  本稿では,Segment Anything Model(SAM)によって導かれる条件拡散モデルを提案する。 このフレームワークは2段階のプロセスで動作し、まずマルチモーダルな特徴の予備的な融合を行い、その後、拡散モデルの粗大な分極生成を駆動する条件としてセマンティックマスクを利用する。 SGDFuseは主観的評価と客観的評価の両方において最先端の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-08-07T10:58:52Z)
• Excavate the potential of Single-Scale Features: A Decomposition Network for Water-Related Optical Image Enhancement [22.353926184394002]
  単一スケールの特徴抽出は、マルチスケールメソッドのパフォーマンスにマッチするか、上回る可能性がある。 SSD-Netは、CNNのローカル機能抽出機能とTransformerのグローバルなモデリング長所を組み合わせる。
  論文  参考訳（メタデータ） (2025-08-06T06:41:58Z)
• Neural Spline Fields for Burst Image Fusion and Layer Separation [40.9442467471977]
  ニューラルスプライン場を用いた2層α合成画像とフローモデルを用いた多目的中間表現を提案する。 提案手法では, バースト画像を高分解能な再構成に融合し, 透過層と閉塞層に分解することができる。 後処理のステップや事前学習がないため、当社の一般化可能なモデルは、既存の専用イメージやマルチビューの障害物除去アプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-12-21T18:54:19Z)
• Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for Loss-free Multi-Exposure Image Fusion [60.221404321514086]
  マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。 本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T08:07:26Z)
• SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
  既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。 非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。 本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
  論文  参考訳（メタデータ） (2023-04-17T17:05:29Z)
• CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [68.78897015832113]
  我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。 本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-11-20T12:02:07Z)
• Unpaired Quad-Path Cycle Consistent Adversarial Networks for Single Image Defogging [16.59494337699748]
  本研究では, クアッドパスサイクル一貫した対向ネットワーク (QPC-Net) という, 新たな対向ネットワークを構築した。 QPC-NetはFog2FogfreeブロックとFogfree2Fogブロックで構成される。 QPC-Netは、定量的精度と主観的視覚的品質の観点から、最先端のデファジグ手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-19T09:00:37Z)

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。