論文の概要: Efficient Real-World Dehazing via Physics-Inspired Global-Local Decoupling
- arxiv url: http://arxiv.org/abs/2606.25732v1
- Date: Wed, 24 Jun 2026 11:58:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.31997
- Title: Efficient Real-World Dehazing via Physics-Inspired Global-Local Decoupling
- Title（参考訳）: 物理にインスパイアされたグローバルローカルデカップリングによる効率的な実世界のデハジング
- Abstract要約: 実世界の単一画像デハジングは、空間的およびスペクトル的に異なる散乱のため、非常に不規則である。
本稿では,演算子レベルのエミュレーションによる物理的帰納バイアスを組み込んだ軽量なフレームワークであるPGL-Netを提案する。
PGL-Netは、複雑さを大幅に減らして最先端の復元品質を達成する。
- 参考スコア（独自算出の注目度）: 9.594040041748388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world single image dehazing is highly ill-posed due to spatially and spectrally varying scattering, while practical deployment demands lightweight and low-latency models. Existing approaches either rely on fragile physical inversion under simplified assumptions or adopt heavy blind architectures unsuitable for edge deployment. To overcome these limitations, we propose PGL-Net (Physics-Inspired Global-Local Decoupling Network), a lightweight framework that incorporates physical inductive biases via operator-level emulation, avoiding explicit parameter estimation. It decouples dehazing into global distribution rectification and local structural refinement. A Physics-Inspired Affine Fusion (PAF) module performs globally conditioned alignment across hierarchical skip connections to compensate for haze-induced bias, while a compact Degradation-Aware Modulation (DAM) block adaptively restores spatially and spectrally variant details through dynamic feature modulation. Extensive experiments on multiple real-world benchmarks demonstrate that PGL-Net achieves state-of-the-art restoration quality with significantly reduced complexity. Compared with the recent SOTA SGDN, the Tiny variant (PGL-Net-T) improves PSNR by up to 2.6dB and consistently enhances downstream object detection accuracy, while achieving over a 10x reduction in inference latency. Code is publicly available at: https://github.com/sc-30-bit/PGL-Net.
- Abstract（参考訳）: 実世界の単一画像のデハジングは空間的およびスペクトル的に異なる散乱のために非常に不良であり、実際の展開は軽量で低レイテンシのモデルを必要とする。
既存のアプローチは、単純化された仮定の下で脆弱な物理的反転に依存するか、エッジデプロイメントには適さない重い盲目的アーキテクチャを採用するかのいずれかである。
これらの制限を克服するために,演算子レベルのエミュレーションによる物理的帰納バイアスを組み込んだ軽量なフレームワークであるPGL-Net(Physics-Inspired Global-Local Decoupling Network)を提案する。
これはデハジングをグローバルな分布修正と局所的な構造改善に分解する。
物理インスパイアされたアフィン融合(PAF)モジュールは、階層的なスキップ接続をまたいでグローバルに条件付きアライメントを行い、ヘイズによるバイアスを補償する一方、コンパクトな分解認識変調(DAM)ブロックは動的特徴変調により空間的およびスペクトル的に変化した詳細を適応的に復元する。
複数の実世界のベンチマークでの大規模な実験により、PGL-Netは、複雑さを大幅に減らして最先端の復元品質を達成することを示した。
最近のSOTA SGDNと比較すると、Tiny variant (PGL-Net-T)はPSNRを最大2.6dB改善し、ダウンストリームのオブジェクト検出精度を継続的に向上し、推論遅延の10倍の削減を実現している。
コードはhttps://github.com/sc-30-bit/PGL-Net.comで公開されている。
関連論文リスト
- PILIR: Physics-Informed Local Implicit Representation [10.009790673923789]
物理インフォームドローカルインプリシト表現(PILIR)について紹介する。
我々のアプローチは、グローバルな物理領域を離散的な潜在特徴空間と連続生成デコーダに分離する。
生成型ニューラル演算子はこれらの局所潜伏特性を連続体に合成し、微細構造を正確に再構築する。
論文 参考訳（メタデータ） (2026-05-01T04:07:39Z) - DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution [14.52346301984322]
拡散に基づくReal-World Image Super-Resolution (Real-ISR)は、印象的な知覚品質を実現するが、反復サンプリングによる高い計算コストに悩まされる。
本稿では,GTASR(Geometric Trajectory Alignment Super-Resolution)を提案する。
論文 参考訳（メタデータ） (2026-02-27T18:13:31Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - FMC-DETR: Frequency-Decoupled Multi-Domain Coordination for Aerial-View Object Detection [18.023418423273082]
本研究では,FMC-DETRを提案する。FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR。
まず、大域的低周波文脈知覚を高めるために、カスケードウェーブレット変換を適用したWavelet Kolmogorov-Arnold Transformer (WeKat) のバックボーンを導入する。
次に、軽量なクロスステージ部分核融合(CPF)モジュールは冗長性を低減し、マルチスケールの機能相互作用を改善する。
最後に,Multi-Domain Feature Coordination (MDFC)モジュールについて述べる。
論文 参考訳（メタデータ） (2025-09-27T02:28:22Z) - QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution [53.13952833016505]
実世界のビデオ超解像(VSR)のための低ビット量子化モデルを提案する。
キャリブレーションデータセットを用いて各レイヤの空間的および時間的複雑さを計測する。
我々はFPおよび低ビット分岐を改良し、同時最適化を実現する。
論文 参考訳（メタデータ） (2025-08-06T14:35:59Z) - LGM-Pose: A Lightweight Global Modeling Network for Real-time Human Pose Estimation [14.20517652381698]
これらの課題に対処するために,シングルブランチ軽量グローバルモデリングネットワーク (LGM-Pose) が提案されている。
このネットワークでは、軽量なMobileViMブロックが、LARM(Lightweight Attentional Representation Module)として提案されている。
論文 参考訳（メタデータ） (2025-06-05T02:29:04Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:14:36Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z)
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。