論文の概要: A Causally Grounded Taxonomy for Image Degradation Robustness Evaluation

• arxiv url: http://arxiv.org/abs/2605.15906v1
• Date: Fri, 15 May 2026 12:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.28335
• Title: A Causally Grounded Taxonomy for Image Degradation Robustness Evaluation
• Title（参考訳）: 画像劣化ロバスト性評価のための因果的基底分類法
• Authors: Stefan Becker, Simon Weiss, Wolfgang Hübner, Michael Arens,
• Abstract要約: 本稿では,画像劣化の整理と解釈のための因果的基盤化フレームワークを提案する。 新しい劣化や既存のベンチマークを再定義する代わりに、解釈表現層と測定層を提供しています。 多様な撮像条件下でオブジェクト検出器のロバスト性を評価するための分類基準であるCOCO分解によるフレームワークの実証を行った。
• 参考スコア（独自算出の注目度）: 3.8265249634979734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image degradations can occur during acquisition, processing, and transmission, altering visual appearance and affecting downstream vision tasks. They are studied in several communities, including synthetic corruption benchmarks for robustness evaluation, perceptual image quality assessment, and physically grounded analyses of imaging systems or real camera failures. Although these areas address closely related phenomena, they often use incompatible grouping schemes and backend specific severity definitions, making results difficult to compare across datasets, degradation sources, and tasks. We propose a causally grounded framework for organizing and interpreting image degradations across these settings. Instead of introducing new degradations or redefining existing benchmarks, we provide an interpretive representation and measurement layer that makes implicit assumptions explicit. Each degradation is described along two orthogonal axes: its dominant causal source in the imaging pipeline (environment, sensor/optics, ISP/renderer/codec, or transfer/system), and its resulting perceptual effect. This dual axis abstraction yields a compact taxonomy spanning algorithmic corruptions, perceptual distortions, and physically motivated imaging artifacts. To address inconsistent severity semantics without changing existing implementations, we introduce a lightweight severity measurement layer. For every degradation and each native severity level of a given backend, we quantify degradation strength using full reference image quality metrics: PSNR, SSIM, and LPIPS. This makes severity observable and comparable across sources while preserving native parameterizations. We demonstrate the framework through COCO Degradation, a taxonomy aligned benchmark for evaluating object detector robustness under diverse imaging conditions.
• Abstract（参考訳）: 画像の劣化は、取得、処理、送信中に起こり、視覚的外観を変え、下流の視覚タスクに影響を与える。 それらはいくつかのコミュニティで研究されており、例えば、強靭性評価のための合成汚職ベンチマーク、知覚的画像品質評価、画像システムや実際のカメラ故障の物理的基盤解析などである。 これらの領域は密接に関連する現象に対処するが、互換性のないグルーピングスキームやバックエンド固有の重大さ定義を使うことが多く、データセット、劣化源、タスク間での結果を比較するのが難しくなる。 本稿では,これらの設定間で画像の劣化を整理し,解釈するための因果的基盤化フレームワークを提案する。 新しい劣化や既存のベンチマークを再定義する代わりに、暗黙の仮定を明示する解釈的表現と測定層を提供する。 各分解は2つの直交軸に沿って記述される:画像パイプライン(環境、センサー/光学、ISP/renderer/codec、または転送/システム)における主な因果源とその結果として生じる知覚効果。 この二重軸抽象化は、アルゴリズムの腐敗、知覚歪み、物理的に動機付けられた画像アーティファクトにまたがるコンパクトな分類をもたらす。 既存の実装を変更することなく、一貫性のない重大度セマンティクスに対処するため、軽量な重大度測定層を導入する。 任意のバックエンドのすべての劣化と各ネイティブの重大度レベルに対して、PSNR、SSIM、LPIPSといった完全な基準画像品質指標を用いて劣化強度を定量化する。 これにより、Severityは、ネイティブパラメータ化を保ちながら、ソース間で可観測かつ同等になる。 多様な撮像条件下でオブジェクト検出器のロバスト性を評価するための分類基準であるCOCO分解によるフレームワークの実証を行った。

関連論文リスト

• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Architectural Unification for Polarimetric Imaging Across Multiple Degradations [54.83037963738918]
  複数の劣化シナリオにまたがって構造的に共有される偏光イメージングのための統一的なアーキテクチャフレームワークを提案する。 このモデルは、単一ステージのジョイントイメージ・ストークス処理を実行し、エラーの蓄積を回避し、物理的一貫性を明示的に保持する。
  論文  参考訳（メタデータ） (2026-03-06T02:38:57Z)
• Self-Aware Object Detection via Degradation Manifolds [3.8265249634979734]
  安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。 劣化多様体に基づく自己認識フレームワークを提案する。 本手法は,コントラスト学習により訓練された軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。
  論文  参考訳（メタデータ） (2026-02-20T17:58:46Z)
• Hybrid Image Resolution Quality Metric (HIRQM):A Comprehensive Perceptual Image Quality Assessment Framework [0.0]
  本稿では,HIRQM(Hybrid Image Resolution Quality Metric)を提案する。 動的重み付け機構は、輝度や分散といったイメージ特性に基づいてコンポーネントのコントリビューションを適応し、歪みタイプ間の柔軟性を向上させる。 TID2013とLIVデータセット、HIRQMピアソンとスピアマンの相関を0.92と0.90と評価し、従来の指標を上回った。
  論文  参考訳（メタデータ） (2025-05-04T06:14:10Z)
• PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
  水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。 水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。 提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-12-20T03:31:45Z)
• Unsupervised Synthetic Image Refinement via Contrastive Learning and Consistent Semantic-Structural Constraints [32.07631215590755]
  コントラスト学習(CL)は、相関したパッチをまとめて、非相関的なパッチを分離するのに成功している。 本研究では,合成画像と精細画像間の意味的・構造的整合性を利用して,意味的歪みを低減するためにCLを採用する。
  論文  参考訳（メタデータ） (2023-04-25T05:55:28Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

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。