論文の概要: A unified Benchmark for Multi-Frame Image Restoration under Severe Refractive Warping
- arxiv url: http://arxiv.org/abs/2605.05079v1
- Date: Wed, 06 May 2026 16:14:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.924308
- Title: A unified Benchmark for Multi-Frame Image Restoration under Severe Refractive Warping
- Title（参考訳）: 耐火物ワープ時のマルチフレーム画像復元のための統一ベンチマーク
- Abstract要約: 乱気流や水面のような屈折する動的媒体を通して撮影するビデオシーケンスは、しばしば激しい幾何学的歪みと時間的不安定さに悩まされる。
ビデオにおける幾何歪み除去のための総合的なベンチマークを行い,乱流のような微弱な変形から強い不連続な屈折変形までの範囲をカバーする。
- 参考スコア（独自算出の注目度）: 1.8935634168098605
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Video sequence capturing through refractive dynamic media, such as a turbulent air or water surface, often suffer from severe geometric distortions and temporal instability. While recent advances address mild atmospheric turbulence, no existing benchmarks systematically evaluate restoration methods under strong and highly nonuniform refractive conditions. We present a comprehensive benchmark for geometric distortion removal in video, covering a range from turbulence-like mild warping to strong discontinuous refractive deformations. The benchmark includes both laboratory-captured real data and synthetic sequences generated for static scenes via physics-based light refraction modeling across four distortion levels and multiple surface wave types. We evaluate a spectrum of methods from simple baselines and classical registration algorithms to advanced learning-based approaches including DATUM and our proposed diffusion based V-cache for high and extreme distortions regimes. Evaluation uses both pixel-level (PSNR, SSIM), and perceptual (LPIPS, DINO, CLIP) metrics providing the first large scale analysis of geometric distortion removal. Our benchmark establishes a new foundation for developing and evaluating algorithms capable of reconstructing video from highly distorted optical environments. Our code and datasets are available at https://github.com/iafoss/refractive-mfir-benchmark.
- Abstract（参考訳）: 乱気流や水面のような屈折性の動的媒体を通して撮影するビデオシーケンスは、しばしば激しい幾何学的歪みと時間的不安定さに悩まされる。
最近の進歩は温暖な大気の乱流に対処するが、強い不均一な屈折条件下での復元方法を体系的に評価するベンチマークは存在しない。
ビデオにおける幾何歪み除去のための総合的なベンチマークを行い,乱流のような微弱な変形から強い不連続な屈折変形までの範囲をカバーする。
このベンチマークには、4つの歪みレベルと複数の表面波タイプにまたがる物理ベースの光屈折モデルにより、実験室でキャプチャされた実データと静的シーンのために生成された合成シーケンスの両方が含まれている。
提案手法は,単純なベースラインと古典的登録アルゴリズムから,DATUMや拡散に基づくV-cacheなどの先進的な学習手法まで,高い歪みと極端な歪みの条件下で評価する。
画素レベル (PSNR, SSIM) と知覚 (LPIPS, DINO, CLIP) の両方を用いて, 幾何学的歪み除去の最初の大規模解析を行う。
我々のベンチマークは、高度に歪んだ光環境から映像を再構成できるアルゴリズムの開発と評価のための新しい基盤を確立する。
コードとデータセットはhttps://github.com/iafoss/refractive-mfir-benchmarkで公開しています。
関連論文リスト
- RefracGS: Novel View Synthesis Through Refractive Water Surfaces with 3D Gaussian Ray Tracing [59.24689613992402]
本稿では,屈折水面と界面下のシーンを共同で再構築するフレームワークであるRefracGSを紹介する。
RefracGSは、以前の屈折法よりも画質が優れており、200FPSで15倍高速なトレーニングとリアルタイムレンダリングを実現している。
論文 参考訳（メタデータ） (2026-03-23T08:31:08Z) - VIGOR: VIdeo Geometry-Oriented Reward for Temporal Generative Alignment [15.619170225414571]
ビデオ拡散モデルは、トレーニング中に明らかな幾何学的監督が欠如し、矛盾したアーティファクトにつながった。
本稿では,事前学習した幾何学的基礎モデルを利用して,多視点の一貫性を評価する幾何学的報酬モデルを提案する。
提案手法は, 誤差計算をポイントワイズで行うことにより, より物理的に基礎的かつロバストな誤差測定値が得られる。
論文 参考訳（メタデータ） (2026-03-17T09:04:10Z) - gQIR: Generative Quanta Image Reconstruction [18.400282448827507]
本稿では,大きなテキストから画像への潜伏拡散モデルを量子バースト画像の光子制限領域に適応させる手法を提案する。
潜時空間の復元とバーストレベルの時間的推論を組み合わせることで,光度に忠実かつ知覚的に快く再現する。
論文 参考訳（メタデータ） (2026-02-23T23:33:00Z) - MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。
本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-10-13T13:29:20Z) - GratNet: A Photorealistic Neural Shader for Diffractive Surfaces [0.0]
回折面のデータ駆動レンダリングのための多層パーセプトロン (MLP) を用いた手法を提案する。
我々は,Pak-Signal-to-Noise (PSNR), Structure similarity Index Measure (SSIM) と flipping difference Evaluator (FLIP) を評価指標として,地上構造の高品質な再構築を実証した。
論文 参考訳（メタデータ） (2025-06-18T18:58:00Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳（メタデータ） (2023-01-28T01:57:57Z) - Sampling Neural Radiance Fields for Refractive Objects [8.539183778516795]
この研究では、シーンは片方向の屈折率を持つ異質の体積であり、異なる屈折率を交差させると経路が湾曲する。
屈折物体の新規なビュー合成を目的として, 屈折物体シルエットを用いた多視点画像から, 境界体積および境界領域の放射界を最適化することを目的とした。
屈折率を考慮し,NeRFにおける層状および階層的サンプリング手法を拡張し,アイコン方程式で追跡された曲線に沿って試料を描画できるようにする。
論文 参考訳（メタデータ） (2022-11-27T11:43:21Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳（メタデータ） (2022-08-24T03:13:04Z) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳（メタデータ） (2020-11-05T11:34:12Z) - Image Reconstruction of Static and Dynamic Scenes through Anisoplanatic
Turbulence [1.6114012813668934]
静的および動的シーケンスの両方で大気乱流を緩和する統一的な手法を提案する。
我々は,新しい時空間非局所平均化手法を用いることで,既存手法と比較して優れた結果を得ることができる。
論文 参考訳（メタデータ） (2020-08-31T19:20:46Z) - Learning to Restore a Single Face Image Degraded by Atmospheric
Turbulence using CNNs [93.72048616001064]
このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。
乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
論文 参考訳（メタデータ） (2020-07-16T15:25:08Z)
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。