論文の概要: DeLux: Cross-Modal Local Artifact Restoration in Video Using Neuromorphic Data

• arxiv url: http://arxiv.org/abs/2606.27576v1
• Date: Thu, 25 Jun 2026 22:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.319327
• Title: DeLux: Cross-Modal Local Artifact Restoration in Video Using Neuromorphic Data
• Title（参考訳）: DeLux: ニューロモルフィックデータを用いたビデオの局所的局所的アーティファクト復元
• Abstract要約: 従来のRGBカメラはフレア、グレア、フリック、露出過多といった照明器具に悩まされており、情報が失われてしまう。 本稿では,新しいクロスモーダル修復パラダイムと,モジュール型概念実証パイプラインであるDeLuxを提案する。
• 参考スコア（独自算出の注目度）: 0.5326498612379144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional RGB cameras suffer from lighting artifacts such as flare, glare, flicker, and overexposure, leading to irrecoverable information loss that necessitates computational restoration. However, existing approaches treat these problems in isolation, failing to recover structural details completely obscured by complex spatially discrete image degradations. In this paper, we propose a novel cross-modal restoration paradigm and present DeLux, a modular proof-of-concept pipeline that leverages neuromorphic event streams as a structural prior to guide the targeted detection and inpainting of lighting artifacts in RGB video. Validation on synthetic benchmarks and real-world automotive footage demonstrates that DeLux effectively suppresses local artifacts and restores affected regions. The proposed approach outperforms existing RGB-only baselines and event-guided HDR models, achieving an average MS-SSIM of over 0.99 across all artifact types and demonstrating up to an 88% reduction in artifact severity in real-world automotive footage. The synthetic artifact generation tools and curated real-world evaluation datasets are made publicly available to foster future research on cross-modal restoration.
• Abstract（参考訳）: 従来のRGBカメラはフレア、グレア、フリック、過剰露光といった光のアーチファクトに悩まされており、計算の復元を必要とする情報損失を生じさせる。 しかし、既存のアプローチではこれらの問題を分離して扱うことができず、複雑な空間的に離散的な画像劣化によって構造的詳細が完全に見えなくなる。 本稿では,新しいクロスモーダル修復パラダイムと,RGBビデオにおける照明アーチファクトの照準検出と着色を導くために,ニューロモルフィックイベントストリームを構造として活用するモジュール型概念実証パイプラインであるDeLuxを提案する。 合成ベンチマークと実世界の自動車映像の検証は、DeLuxが局所的なアーティファクトを効果的に抑制し、影響を受けた地域を復元することを示した。 提案手法は既存のRGBのみのベースラインとイベント誘導型HDRモデルより優れており、すべてのアーティファクトタイプで平均0.99以上のMS-SSIMを実現し、実写の自動車映像では最大88%のアーティファクト重症度を低下させる。 人工アーティファクト生成ツールと実世界のキュレートされた評価データセットは、将来のクロスモーダル修復研究を促進するために公開されている。

関連論文リスト

• ArtifactWorld: Scaling 3D Gaussian Splatting Artifact Restoration via Video Generation Models [13.182092898781292]
  ArtifactWorldは3DGSのアーティファクト修復を、体系的な拡張と同質なデュアルモデルパラダイムを通じて解決するフレームワークである。 この結果から,アーティファクトワールドは,スパース・ビュー・シンセサイザーとロバストな3次元再構成において,最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-14T03:55:44Z)
• HaineiFRDM: Explore Diffusion to Restore Defects in Fast-Movement Films [2.3374825727995328]
  既存のオープンソースフィルム復元手法は,商用技術に比べて性能が限られている。 本研究では,拡散モデルの強力なコンテンツ理解能力を探るため,フィルム復元フレームワークHaineiFRDMを提案する。
  論文  参考訳（メタデータ） (2025-12-31T16:18:07Z)
• UnReflectAnything: RGB-Only Highlight Removal by Rendering Synthetic Specular Supervision [51.72020507506023]
  我々は、単一の画像からハイライトを削除するRGB専用のフレームワークUnReflectAnythingを紹介する。 反射のない拡散再構成とともにハイライトマップを予測する。 自然と外科の領域にまたがって一般化され、非ランベルト面や一様でない照明が顕著なハイライトを生み出している。
  論文  参考訳（メタデータ） (2025-12-10T12:22:37Z)
• Single-Step Latent Diffusion for Underwater Image Restoration [25.229678050715496]
  水中画像復元アルゴリズムは、水中で撮影されたシーンの色、コントラスト、外観を復元しようとする。 海洋生態学や養殖から水中建設や考古学まで、様々な応用において重要な道具である。 Slurppは既存の拡散法よりも200倍高速で、合成ベンチマークではPSNRが3dB改善されている。
  論文  参考訳（メタデータ） (2025-07-10T16:02:07Z)
• BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
  BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。 実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2025-06-25T03:30:04Z)
• Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns [4.977925450373957]
  超解像再構成モデルのトレーニングのための新しいTripleGANフレームワークを提案する。 このフレームワークは、LR観測から実世界の劣化パターンを学習し、対応する劣化特性を持つデータセットを合成する。 本手法は, 過スムーズなアーティファクトを伴わずに, 鋭い復元を維持しながら, 定量的な測定値に明らかな利点を示す。
  論文  参考訳（メタデータ） (2025-06-20T14:24:48Z)
• RealRAG: Retrieval-augmented Realistic Image Generation via Self-reflective Contrastive Learning [54.07026389388881]
  第1回リアルタイムオブジェクトベース検索拡張生成フレームワーク(RealRAG)を提案する。 RealRAGは、生成モデルの知識ギャップを克服するために、現実世界の画像の学習と検索によって、細粒で目に見えない新しいオブジェクトを生成する。 本フレームワークは, 生成モデルに対するきめ細かな視覚的知識を統合し, 歪み問題に対処し, オブジェクト生成における現実性を改善する。
  論文  参考訳（メタデータ） (2025-02-02T16:41:54Z)
• Towards Degradation-Robust Reconstruction in Generalizable NeRF [58.33351079982745]
  GNeRF(Generalizable Radiance Field)は,シーンごとの最適化を回避する手段として有効であることが証明されている。 GNeRFの強靭性は, ソース画像に現れる様々な種類の劣化に対して限定的に研究されている。
  論文  参考訳（メタデータ） (2024-11-18T16:13:47Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• ReconFusion: 3D Reconstruction with Diffusion Priors [104.73604630145847]
  本稿では,数枚の写真を用いて現実のシーンを再構成するReconFusionを提案する。 提案手法は,合成および多視点データセットに基づいて訓練された新規なビュー合成に先立って拡散を利用する。 本手法は,観測領域の外観を保ちながら,非拘束領域における現実的な幾何学とテクスチャを合成する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:58Z)
• Simulating analogue film damage to analyse and improve artefact restoration on high-resolution scans [10.871587311621974]
  アナログ写真フィルムのデジタルスキャンは通常、ほこりやひっかきなどの人工物を含む。 ディープラーニングモデルは、一般的な画像の塗り絵や装飾において印象的な結果を示しているが、フィルムアーティファクトの除去は未研究の問題である。 トレーニングと評価のために、現実世界のアナログフィルム損傷の高品質なデータセットは公開されていない。 人手による手動復元版と組み合わせた4K損傷アナログフィルムスキャンのデータセットを収集する。 損傷画像の大規模合成データセットを, 実物形状の統計モデルと, 重損傷画像から学習した画像の出現モデルを用いて, ペア化されたクリーンバージョンで構築する。
  論文  参考訳（メタデータ） (2023-02-20T14:24:18Z)

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。