論文の概要: Reflection Separation from a Single Image via Joint Latent Diffusion

• arxiv url: http://arxiv.org/abs/2606.04107v1
• Date: Tue, 02 Jun 2026 18:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.312165
• Title: Reflection Separation from a Single Image via Joint Latent Diffusion
• Title（参考訳）: 共振子拡散による単一画像からの反射分離
• Authors: Zheng-Hui Huang, Zhixiang Wang, Yu-Lun Liu, Yung-Yu Chuang,
• Abstract要約: 単一像の反射分離は、フレアや弱い反射のような極端な条件下では非常に困難である。 本稿では, この課題に対して明確に微調整された拡散モデルを提案する。 本手法では, 透過層と反射層を統一拡散モデルにより同時に生成する。
• 参考スコア（独自算出の注目度）: 15.007786845289223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-image reflection separation is highly challenging under extreme conditions like glare or weak reflections. Existing methods often struggle to recover both layers in glare or weak-reflection scenarios because of insufficient information. This paper presents a diffusion model explicitly fine-tuned for this task, leveraging generative diffusion priors for robust separation. Our method simultaneously generates transmission and reflection layers through a unified diffusion model, incorporating a novel cross-layer self-attention mechanism for better feature disentanglement. We further introduce a disjoint sampling strategy to iteratively reduce interference between the layers during diffusion and a latent optimization step with a learned composition function for improved results in complex real-world scenarios. Extensive experiments demonstrate that our approach surpasses state-of-the-art methods on multiple real-world benchmarks. Project page: https://brian90709.github.io/diff-reflection-separation/
• Abstract（参考訳）: 単一像の反射分離は、フレアや弱い反射のような極端な条件下では非常に困難である。 既存の方法は、情報不足のため、グラレや弱い反射のシナリオで両方の層を回復するのに苦労することが多い。 本稿では, この課題に対して明確に微調整された拡散モデルを提案する。 本手法では, 透過層と反射層を統一拡散モデルにより同時に生成する。 さらに,拡散中の層間干渉を反復的に低減するための非結合サンプリング戦略と,複雑な実世界のシナリオにおける結果を改善するための学習合成関数を用いた潜時最適化手法を導入する。 大規模な実験により、我々のアプローチは複数の実世界のベンチマークで最先端の手法を超越していることが示された。 プロジェクトページ: https://brian90709.github.io/diff-reflection-separation/

関連論文リスト

• Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios [34.660999867031386]
  ノイズ、ぼかし、低解像度といった複雑な劣化は、実世界の画像融合タスクにおける典型的な課題である。 本稿では,任意の劣化シナリオ下での画像融合のための効率的な劣化認識拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T03:34:53Z)
• Latent Bias Alignment for High-Fidelity Diffusion Inversion in Real-World Image Reconstruction and Manipulation [25.312675775144154]
  テキスト間の拡散モデルは、テキストプロンプトによって導かれる高品質な画像を生成することができる。 シードノイズから実世界の画像を生成または近似するために使用できるか? 拡散反転問題は、ブリッジング拡散モデルと実世界のシナリオのためのビルディングブロックとして機能する。
  論文  参考訳（メタデータ） (2026-03-25T03:44:21Z)
• Dereflection Any Image with Diffusion Priors and Diversified Data [86.15504914121226]
  本稿では、効率的なデータ準備パイプラインと、頑健な反射除去のための一般化可能なモデルを備えた包括的解を提案する。 まず、ターゲットシーンでランダムに回転する反射媒体によって生成された横反射除去(DRR)というデータセットを紹介する。 第2に、決定論的出力と高速推論のための1ステップ拡散を伴う拡散に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-21T17:48:14Z)
• Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
  実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。 本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
  論文  参考訳（メタデータ） (2024-11-17T17:45:37Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models for Inverse Problems through Stochastic Contraction [31.61199061999173]
  拡散モデルには重要な欠点がある。純粋なガウスノイズから画像を生成するために数千ステップの反復を必要とするため、サンプリングが本質的に遅い。 ガウスノイズから始めることは不要であることを示す。代わりに、より優れた初期化を伴う単一前方拡散から始めると、逆条件拡散におけるサンプリングステップの数を大幅に減少させる。 ComeCloser-DiffuseFaster (CCDF)と呼ばれる新しいサンプリング戦略は、逆問題に対する既存のフィードフォワードニューラルネットワークアプローチが拡散モデルと相乗的に組み合わせられる方法について、新たな洞察を明らかにしている。
  論文  参考訳（メタデータ） (2021-12-09T04:28:41Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)

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。