論文の概要: Breaking Spatial Uniformity: Prior-Guided Mamba with Radial Serialization for Lens Flare Removal
- arxiv url: http://arxiv.org/abs/2605.07650v1
- Date: Fri, 08 May 2026 12:23:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.035816
- Title: Breaking Spatial Uniformity: Prior-Guided Mamba with Radial Serialization for Lens Flare Removal
- Title（参考訳）: レンズフレア除去のための放射シリアライゼーションを併用した前ガイドマンバ
- Authors: Zijia Fu, Yuanfei Huang, Lizhi Wang, Hua Huang,
- Abstract要約: レンズフレア除去のための先導MambaフレームワークであるDeflareMambav2を提案する。
フレア優先ネットワーク (FPN) を導入し, フレア先行を推定し, 適応復元を誘導する。
DeflareMambav2はパラメータの負担を減らして最先端のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 20.4467579266334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lens flares, caused by complex optical aberrations, severely degrade image quality especially in nighttime photography. Although recent restoration methods have made remarkable progress, most still rely on spatially uniform processing. They are failing to handle the region-dependent restoration demands of flare scenes, where saturated light sources should be preserved, flare artifacts removed, and background details recovered. To address this challenge, we propose DeflareMambav2, a prior-guided Mamba framework for lens flare removal. Specifically, we introduce a Flare Prior Network (FPN) to estimate flare priors and guide adaptive restoration. Besides, a novel radial serialization strategy breaks spatially homogeneous processing by performing flare-aware targeted sampling, and better supports long-range modeling in State Space Models (SSMs). Based on these priors, the backbone adopts a dual-level adaptive scheme. It explicitly preserves light-source regions to avoid over-processing, and applies curriculum-based restoration to the remaining contaminated areas while calibrating restoration intensity at the pixel level. Extensive experiments demonstrate that DeflareMambav2 achieves state-of-the-art performance with reduced parameter burden. Code is available at https://github.com/BNU-ERC-ITEA/DeflareMambav2.
- Abstract（参考訳）: 複雑な光収差によって引き起こされるレンズフレアは、特に夜間撮影において、画像品質を著しく低下させる。
最近の修復法は目覚ましい進歩を遂げているが、ほとんどの場合、空間的に均一な処理に依存している。
彼らは、飽和した光源を保存し、フレアアーティファクトを除去し、背景の詳細を復元するフレアシーンの地域依存の復元要求に対処できない。
この課題に対処するために、レンズフレア除去のための先導MambaフレームワークであるDeflareMambav2を提案する。
具体的には、フレア優先ネットワーク(FPN)を導入し、フレア先行を推定し、適応的復元を誘導する。
さらに、新しい放射状シリアライゼーション戦略は、フレア認識されたターゲットサンプリングを行い、空間的に均質な処理を破り、ステートスペースモデル(SSM)における長距離モデリングをより良くサポートする。
これらの前提に基づいて、バックボーンは二重レベル適応方式を採用する。
過剰な処理を避けるために光源領域を明示的に保存し、残されている汚染領域にカリキュラムベースの復元を施し、画素レベルでの復元強度を校正する。
DeflareMambav2はパラメータの負担を減らして最先端のパフォーマンスを実現する。
コードはhttps://github.com/BNU-ERC-ITEA/DeflareMambav2で公開されている。
関連論文リスト
- Naka-GS: A Bionics-inspired Dual-Branch Naka Correction and Progressive Point Pruning for Low-Light 3DGS [5.922483935990404]
我々は,低照度3次元ガウススプラッティングのためのバイオニックスに着想を得たフレームワークであるNaka-GSを提案する。
本手法は,物理優先の低照度化,デュアルブランチ入力モデリング,周波数分離補正,マスク誘導最適化を組み合わせた。
提案手法は, NTIRE 3D Restoration and Reconstruction (DRR) Challenge において提案され, ベースライン法よりも高い性能を示した。
論文 参考訳（メタデータ） (2026-04-13T07:58:58Z) - Beyond Illumination: Fine-Grained Detail Preservation in Extreme Dark Image Restoration [3.5382753486225087]
暗黒画像のディテールリカバリを主眼とした,効率的な2段階探索手法を提案する。
第1段階では、周波数領域のグローバル照明を効果的に復元するResidual Fourier-Guided Module (RFGM)を導入する。
RFGMは、残コネクションを介して、ステージ間およびチャネル間依存関係をキャプチャする。
Patch Mamba はチャネル結合された非サンプルパッチで動作し、ピクセルレベルの相関を慎重にモデル化し、解像度損失を伴わずに微細な詳細を向上する。
グラッド・マンバ(Grad Mamba)は、高次領域、状態空間モデルにおける状態崩壊の緩和、シャープの優先順位付けなどに焦点を当てている。
論文 参考訳（メタデータ） (2025-08-05T11:31:08Z) - DeflareMamba: Hierarchical Vision Mamba for Contextually Consistent Lens Flare Removal [14.87987455441087]
レンズフレア除去のためのシーケンスモデルであるDeflareMambaを提案する。
提案手法は, 散乱や反射フレアなど, 様々な種類のフレアアーティファクトを効果的に除去するものである。
さらに下流のアプリケーションでは、視覚的オブジェクト認識とモーダル間セマンティック理解を改善するための手法の能力を示す。
論文 参考訳（メタデータ） (2025-08-04T06:49:48Z) - Motion-Aware Adaptive Pixel Pruning for Efficient Local Motion Deblurring [87.56382172827526]
画像内のぼやけた領域を識別するトレーニング可能なマスク予測器を提案する。
また、相対的な画素変位を運動軌跡に変換するフレーム内運動解析器を開発した。
提案手法は, 再建損失, 再生損失, および注釈付きぼかしマスクで導かれるマスク損失の組合せを用いて, エンドツーエンドで訓練する。
論文 参考訳（メタデータ） (2025-07-10T12:38:27Z) - Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳（メタデータ） (2023-11-24T04:55:20Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。
DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。
第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。
第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:11:52Z)
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。