論文の概要: Fi-Gaussian: Frequency-Aware Implicit Gaussian Splatting for Single Image Dehazing
- arxiv url: http://arxiv.org/abs/2606.16168v1
- Date: Mon, 15 Jun 2026 03:31:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.058156
- Title: Fi-Gaussian: Frequency-Aware Implicit Gaussian Splatting for Single Image Dehazing
- Title（参考訳）: Fi-Gaussian:単一画像デハージングのための周波数認識型ガウスプラッティング
- Authors: Yuhan Chen, Ying Fang, Guofa Li, Wenxuan Yu, Yicui Shi, Kunyang Huang, Wenbo Chu, Keqiang Li,
- Abstract要約: 単一画像復調のための暗黙的ガウススティングネットワークFi-Gaussianを提案する。
Fi-Gaussianは最先端の定量的性能を達成し、視覚的に優れたデハズド結果を生成する。
- 参考スコア（独自算出の注目度）: 25.472500911155347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single image dehazing continues to be hindered by the loss of high-frequency details and the difficulty of accurate physical scattering modeling. To address these issues, we propose Fi-Gaussian, a frequency-aware implicit Gaussian splatting network for single image dehazing. Unlike explicit rendering methods that rely on 3D point clouds, our method employs implicit Gaussian splatting to adaptively model the underlying distribution of clear images as a continuous representation in 2D feature space. The core of the network is a frequency-aware implicit Gaussian splatting module, which decouples low-frequency structural information and high-frequency texture information in the frequency domain and then performs adaptive Gaussian aggregation with complex-valued weights to recover fine details. In addition, a physics-driven scattering renormalization mechanism is introduced to estimate the transmission map and atmospheric light under the guidance of implicit Gaussian priors. Extensive experiments on multiple benchmark datasets demonstrate that Fi-Gaussian achieves state-of-the-art quantitative performance and produces visually superior dehazed results, validating the effectiveness of implicit Gaussian splatting for low-level vision tasks.
- Abstract（参考訳）: 単一画像のデハージングは、高周波の詳細の欠如と正確な物理的散乱モデリングの難しさによって、引き続き妨げられている。
これらの問題に対処するために、単一画像復調のための周波数認識型暗黙的ガウススプラッティングネットワークFi-Gaussianを提案する。
3次元点雲に依存する明示的なレンダリング法とは異なり、我々の手法は2次元特徴空間における連続表現としてクリア画像の基底分布を適応的にモデル化するために暗黙のガウススプラッティングを用いる。
ネットワークのコアは、低周波構造情報と高周波テクスチャ情報を周波数領域で分離し、複雑な重み付き適応ガウスアグリゲーションを行い、詳細を復元する暗黙的なガウススプラッティングモジュールである。
さらに、暗黙のガウス事前の指導の下で、伝送マップと大気光を推定するために、物理駆動散乱再正規化機構を導入する。
複数のベンチマークデータセットに対する大規模な実験により、Fi-Gaussianは最先端の定量的性能を達成し、視覚的に優れたデハズド結果を生成し、低レベル視覚タスクに対する暗黙的なガウススプラッティングの有効性を検証した。
関連論文リスト
- Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。
再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
論文 参考訳（メタデータ） (2026-04-06T17:24:18Z) - iGaussian: Real-Time Camera Pose Estimation via Feed-Forward 3D Gaussian Splatting Inversion [62.09575122593993]
iGaussianは2段階のフィードフォワードフレームワークで、直接3Dガウス変換によるリアルタイムカメラポーズ推定を実現する。
NeRF Synthetic, Mip-NeRF 360, T&T+DB データセットの実験結果から, 従来の手法に比べて大幅な性能向上が得られた。
論文 参考訳（メタデータ） (2025-11-18T05:22:22Z) - DehazeGS: Seeing Through Fog with 3D Gaussian Splatting [17.119969983512533]
DehazeGSは,霧のない背景をメディアから分解・レンダリングできる手法である。
合成と実世界の霧のデータセットの実験は、DehazeGSが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-01-07T09:47:46Z) - FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。
FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
論文 参考訳（メタデータ） (2024-03-11T17:00:27Z) - GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。
周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
論文 参考訳（メタデータ） (2024-02-15T17:32:50Z) - Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。
提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2023-08-21T06:50:44Z)
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。