論文の概要: DDTNet: Degradation Disentanglement and Transfer Network for Test-Time All-in-One De-weathering Adaptation

• arxiv url: http://arxiv.org/abs/2606.16298v1
• Date: Mon, 15 Jun 2026 07:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.13155
• Title: DDTNet: Degradation Disentanglement and Transfer Network for Test-Time All-in-One De-weathering Adaptation
• Title（参考訳）: DDTNet:テストタイムのオールインワン・デウィータリング適応のための劣化分散と転送ネットワーク
• Authors: Kuan-Hung Lin, Fu-Jen Tsai, Yan-Tsung Peng, Min-Hung Chen, Chia-Wen Lin, Yen-Yu Lin,
• Abstract要約: オールインワンの悪天候画像復元は、雨、干し草、雪などの複数の劣化を取り除くことを目的としている。 既存の手法はパフォーマンスを損なうのが一般的で、個々の劣化タイプに対してバランスのとれたが最適ではない結果を提供する。 本稿では, 劣化拡散ネットワーク(DDTNet, Degradation Disentanglement and Transfer Network, DDTNet)を提案する。
• 参考スコア（独自算出の注目度）: 51.90737553827788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-one adverse weather image restoration aims to remove multiple degradations, such as rain, haze, and snow, using a single unified model. Despite their broad applicability, existing methods typically compromise performance, delivering balanced but suboptimal results for individual degradation types. This issue becomes more pronounced when a domain gap exists between training and testing data. Motivated by the observation that modeling degradation patterns is more feasible than recovering clean content, we propose the Degradation Disentanglement and Transfer Network (DDTNet), which focuses specifically on degradation transfer. By disentangling degradation patterns from target-domain degraded images and transferring them to source domain clean images, DDTNet generates domain-adaptive paired training data. These pairs are then used to fine-tune restoration models, significantly enhancing their adaptability across diverse weather conditions and domains. The core of DDTNet is the Degradation Disentanglement Module (DDM), which comprises Degradation Coupled Attention (DCA) to capture both general and weather-specific features, thereby enabling effective disentanglement and transfer of degradation patterns. Experimental results demonstrate that DDTNet significantly and consistently improves existing all-in-one models across real-world deraining, desnowing, and dehazing datasets.
• Abstract（参考訳）: オールインワンの悪天候画像復元は、雨、干し草、雪などの複数の劣化を、単一の統一モデルを用いて除去することを目的としている。 適用性は広いが、既存の手法は一般的にパフォーマンスを損なう。 この問題は、トレーニングとテストデータの間にドメインギャップが存在する場合により顕著になる。 劣化パターンのモデリングはクリーンな内容の回復よりも実現可能であるという観測に動機付けられ, 劣化拡散と伝達ネットワーク (DDTNet) を提案する。 DDTNetは、ターゲットドメインの劣化した画像から分解パターンを分離し、ソースドメインのクリーンな画像に転送することで、ドメイン適応型ペアリングトレーニングデータを生成する。 これらのペアは、様々な気象条件や領域にまたがる適応性を著しく向上させ、復元モデルを微調整するために使用される。 DDTNetの中核は、分解結合注意(Degradation Coupled Attention, DCA)を含む分解分散モジュール(Degradation Disentanglement Module, DDM)である。 実験結果から、DDTNetは実世界のデライニング、デリーディング、デヘイジングデータセットにまたがる既存のオールインワンモデルを大幅に改善することが示された。

関連論文リスト

• Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
  EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。 DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-26T07:20:48Z)
• DPMambaIR: All-in-One Image Restoration via Degradation-Aware Prompt State Space Model [52.44931846016603]
  DPMambaIRは新しいオールインワン画像復元フレームワークで、微細な分解抽出器と劣化を意識した状態空間モデルを導入している。 DPMambaIRは、PSNRとSSIMでそれぞれ27.69dBと0.893の最高性能を達成している。
  論文  参考訳（メタデータ） (2025-04-24T16:46:32Z)
• Dynamic Degradation Decomposition Network for All-in-One Image Restoration [3.856518745550605]
  本稿では,オールインワン画像復元のための動的劣化分解ネットワークD$3$Netを提案する。 D$3$Netは、クロスドメイン相互作用と動的分解分解を通じて誘導プロンプトによる劣化適応画像復元を実現する。 複数の画像復元タスクの実験では、D$3$Netは最先端のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-02-26T11:49:58Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• Data-free Distillation with Degradation-prompt Diffusion for Multi-weather Image Restoration [29.731089599252954]
  マルチウェザー画像復元のための劣化促進拡散フレームワーク(D4IR)を提案する。 モデル崩壊を避けるために、GANを事前訓練された拡散モデルに置き換え、劣化認識プロンプトアダプタを組み込む。 提案手法は,元のトレーニングデータで蒸留したモデルに匹敵する性能を示し,他の主流の教師なし手法よりも優れている。
  論文  参考訳（メタデータ） (2024-09-05T12:07:17Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Latent Degradation Representation Constraint for Single Image Deraining [13.414207526373959]
  本稿では,DAEncoder(Direction-Aware),UNet Deraining Network,MSIBlockで構成されるLDRCNetを提案する。 合成および実データを用いた実験結果から,本手法が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-09T12:50:06Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)

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。