論文の概要: PVRF: All-in-one Adverse Weather Removal via Prior-modulated and Velocity-constrained Rectified Flow

• arxiv url: http://arxiv.org/abs/2605.14045v1
• Date: Wed, 13 May 2026 19:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.077178
• Title: PVRF: All-in-one Adverse Weather Removal via Prior-modulated and Velocity-constrained Rectified Flow
• Title（参考訳）: PVRF: 事前変調および速度拘束型整流流によるオールインワン逆風除去
• Abstract要約: そこで本研究では,ゼロショット型軟弱感と速度制約付き整流補正を統合した統合フレームワークを提案する。 PVRFは、最先端のベースラインよりも忠実さと知覚品質の両方を改善する。
• 参考スコア（独自算出の注目度）: 69.40969296005794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse weather removal (AWR) in real-world images remains challenging due to heterogeneous and unseen degradations, while distortion-driven training often yields overly smooth results. We propose PVRF, a unified framework that integrates zero-shot soft weather perceptions with velocity-constrained rectified-flow refinement. PVRF introduces an AWR-specific question answering module (AWR-QA) that uses frozen vision--language models (VLMs) to estimate soft probabilities of weather types and low-level attribute scores. These perceptions condition restoration networks via attribute-modulated normalization (AMN) and weather-weighted adapters (WWA), producing an anchor estimate for refinement. We then learn a terminal-consistent residual rectified flow with perception-adaptive source perturbation and a terminal-consistent velocity parameterization to stabilize learning near the terminal regime. Extensive experiments show that PVRF improves both fidelity and perceptual quality over state-of-the-art baselines, with strong cross-dataset generalization on single and combined degradations. Code will be released at https://github.com/dongw22/PVRF.
• Abstract（参考訳）: 実世界の画像における逆風除去(AWR)は、不均一で目に見えない劣化のために依然として困難であり、歪み駆動トレーニングは、しばしば過度に滑らかな結果をもたらす。 PVRFは、ゼロショットのソフトな天気予知と速度制約付き整流補正を統合した統合フレームワークである。 PVRFはAWR固有の質問応答モジュール(AWR-QA)を導入し、凍結視覚言語モデル(VLM)を用いて気象タイプと低レベル属性スコアのソフト確率を推定する。 これらの認識は、属性変調正規化 (AMN) と天気予報アダプタ (WWA) による条件回復ネットワークを経由し、改良のためのアンカー推定を生成する。 次に,知覚適応音源摂動による終端一致残差補正流れと終端一致速度パラメータ化を学習し,終端条件近傍での学習を安定化させる。 広汎な実験により、PVRFは最先端のベースラインよりも忠実さと知覚品質の両方を向上し、単一および複合的な劣化に対する強力なデータセットの一般化が示される。 コードはhttps://github.com/dongw22/PVRF.comでリリースされる。

関連論文リスト

• Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring [55.57242007016976]
  テキスト・ツー・イメージ生成における継続的な感情制御は、プロンプトによって記述されたオブジェクトやレイアウト、シーンを変更することなく、感情的アライメントを改善するモデルを必要とする。 既存の教師付き感情注入法は、しばしば特徴空間プロキシを最適化し、したがって感情のセマンティックドリフトを示す。 本稿では,連続的原子価覚醒条件設定,グループ相対ポリシー最適化,中立的セマンティックアンカーを組み合わせたフローマッチング画像生成フレームワークを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-11T13:24:35Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Local Margin Restoration for Test-Time Adaptation of Vision-Language Models [15.097704252897818]
  CLIPのような視覚言語モデル(VLM)は、優れたゼロショット機能を示すが、予期せぬテスト時間分散シフトの下で、その性能は急激に低下する。 テスト時間適応フレームワークであるLocal Margin Restoration (LMR)を提案する。 CIFAR-C、ImageNet-C、ImageNetの変種に関する実験では、LMRが最先端のTTAベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-08-03T13:38:11Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• Learned Memory Attenuation in Sage-Husa Kalman Filters for Robust UAV State Estimation [0.0]
  動的環境における無人航空機はテレメトリーの停止、構造振動、状態依存ノイズに直面している。 我々は、スカラーパラメータをベクトル値のメモリ減衰ポリシーに置き換えるN-Deep Recurrent Sage-Husa Filter (NDR-SHKF)を導入する。 分岐アーキテクチャは、浅い再帰状態をルートし、瞬間的なセンサ異常と深い状態を捕捉し、持続的な動的傾向を符号化する。
  論文  参考訳（メタデータ） (2026-05-18T17:38:13Z)
• WindINR: Latent-State INR for Fast Local Wind Query and Correction in Complex Terrain [47.92351540935845]
  WindINRは、連続した高分解能局所風速クエリとスパースオブザーバ補正のための潜在状態暗黙的ニューラルネットワーク表現フレームワークである。 WindINRは、静的な地形記述子、低解像度の背景場、および連続的なクエリ座標を高解像度の風状態にマッピングする。 WindINRは、完全なネットワークではなく、コンパクトな潜水状態だけを更新することで、局所的な高分解能風速推定を改善する。
  論文  参考訳（メタデータ） (2026-05-10T12:44:38Z)
• Sparsely-Supervised Data Assimilation via Physics-Informed Schrödinger Bridge [22.765803648152357]
  LF ( Full-grid Low-grid) シミュレーションは、マルチフィデリティ設定において有益な事前情報を提供する。 生成モデルを用いた償却再構成が提案されているが、そのようなアプローチは訓練中のフルフィールドHF監督に依存している。 そこで本研究では,提案するPhysical-In Conditional Schrdinger Bridge (PICSB)を提案する。
  論文  参考訳（メタデータ） (2026-03-20T10:05:55Z)
• Distributed physics-informed neural networks via domain decomposition for fast flow reconstruction [8.614942690565782]
  PINは流れの復元に強力なパラダイムを提供し、速度測定を支配的なNavier-N方程式とシームレスに統合し、完全な速度場と潜水圧場を回復する。 このような分散PINにおける重要な課題は、独立したサブネットワークが非一貫性な局所的な圧力ベースラインに流れ込む圧力不決定性である。 指定されたマスターランクから一方向の流れを強制することにより,一意性を排除し,時間的連続性を保ちながら大域的な圧力を保証できる。
  論文  参考訳（メタデータ） (2026-02-05T16:41:55Z)
• Self-Reinforced Deep Priors for Reparameterized Full Waveform Inversion [3.930876721046067]
  本稿では, 自己強化型DIP-FWIフレームワークを提案する。このフレームワークでは, ステアリングアルゴリズムが繰り返し毎に, ネットワークパラメータと入力を交互に更新する。 SRDIP-FWIは、マルチスケールFWIよりも優れた解像度、精度、深度浸透を実現している。
  論文  参考訳（メタデータ） (2025-12-09T06:30:39Z)
• FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution [6.767948729335409]
  実像超解像(Real-ISR)は、混合された未知の劣化を伴うLR入力からHR画像の復元を目指している。 バックボーンや推論を変更せずに拡散先を利用するプラグイン・アンド・プレイのトレーニングスキームであるFRAMERを紹介する。
  論文  参考訳（メタデータ） (2025-12-01T08:09:05Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)

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。