論文の概要: UHD-MFF: Shattering Barriers in Multi-Focus Ultra-High-Definition Image Fusion via Learnable Lookup Tables
- arxiv url: http://arxiv.org/abs/2606.31242v1
- Date: Tue, 30 Jun 2026 07:17:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.112408
- Title: UHD-MFF: Shattering Barriers in Multi-Focus Ultra-High-Definition Image Fusion via Learnable Lookup Tables
- Title（参考訳）: UHD-MFF:学習可能なルックアップテーブルによる多焦点超高精細画像融合におけるシャッタリングバリア
- Abstract要約: 既存のマルチフォーカス画像融合は、主に低解像度画像に限られている。
大規模な超高解像度多焦点融合データセットであるUHD-MFFデータセットを提案する。
また,超高解像度画像に適したスケール特殊化ルックアップテーブルフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 30.593329465428813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advancement of imaging technology, ultra-high-definition images have become increasingly essential in modern visual applications. However, existing multi-focus image fusion remains largely confined to low-resolution images and faces three major barriers in UHD scenarios, namely data availability, model adaptability, and deployment feasibility, which severely hinder its practical application. To shatter these barriers, first, we propose the UHD-MFF dataset, the first large-scale ultra-high-resolution multi-focus fusion dataset. Second, we propose a scale-specialized lookup-table framework tailored for ultra-high-resolution images, termed as UMF-LUT. It consists of Coarse-Region Lookup Table (C-LUT) and Detail-Edge Lookup Table (D-LUT). Specifically, C-LUT performs joint queries of multiple gradient cues and semantic cues at low-resolution scales to enable region-level decision-making. Also, D-LUT operates at high-resolution scales, leveraging efficient Laplacian cues to provide complementary edge-level decision information. Such a design makes the model particularly well-suited for ultra-high-resolution multi-focus image fusion. Finally, it offers strong deployability with minimal computational overhead, enabling real-time 4K multi-focus fusion and showing promising potential for smartphone. Extensive experiments demonstrate that it outperforms SOTA methods in both visual fidelity and quantitative metrics. It effectively advances the development of multi-focus image fusion toward ultra-high-resolution imaging scenarios. The code is available at https://github.com/zyb5/UHD-MFF.
- Abstract（参考訳）: 画像技術の進歩により、現代の視覚応用において、超高精細画像はますます不可欠になっている。
しかし、既存のマルチフォーカス画像融合は依然として低解像度画像に限られており、UHDシナリオにおける3つの大きな障壁に直面している。
まず, 大規模超高分解能多焦点融合データセットであるUHD-MFFデータセットを提案する。
第2に、UMF-LUTと呼ばれる超高解像度画像に適したスケール特殊化ルックアップテーブルフレームワークを提案する。
Coarse-Region Lookup Table (C-LUT) と Detail-Edge Lookup Table (D-LUT) で構成されている。
具体的には、C-LUTは、領域レベルの意思決定を可能にするために、低解像度スケールで複数の勾配キューと意味キューのジョイントクエリを実行する。
また、D-LUTは高分解能スケールで動作し、効率的なラプラシアンキューを利用して相補的なエッジレベルの決定情報を提供する。
このような設計は、超高解像度マルチフォーカス画像融合に特に適している。
最後に、計算オーバーヘッドを最小限に抑え、リアルタイム4Kマルチフォーカス融合を可能にし、スマートフォンに有望な可能性を示す強力なデプロイ性を提供する。
広汎な実験により、視覚的忠実度と定量的メトリクスの両方においてSOTA法よりも優れていることが示された。
これは、超高解像度撮像シナリオに向けたマルチフォーカス画像融合の開発を効果的に進める。
コードはhttps://github.com/zyb5/UHD-MFFで公開されている。
関連論文リスト
- Generative Multi-Focus Image Fusion [1.8570182093040675]
GMFFと呼ばれる2つの連続的なステージで動作する生成多焦点画像融合フレームワークを提案する。
第一段階では、決定論的融合はStackMFFシリーズの最新バージョンであるStackMFF V4を用いて実装される。
第2段階、生成回復はIFControlNetによって実現され、潜伏拡散モデルの生成能力を利用する。
論文 参考訳（メタデータ） (2025-12-25T04:00:01Z) - Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。
パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
論文 参考訳（メタデータ） (2025-12-08T05:04:54Z) - FS-Diff: Semantic guidance and clarity-aware simultaneous multimodal image fusion and super-resolution [19.183004285219184]
軍事偵察や長距離検知といった現実世界の応用では、マルチモーダル画像のターゲット構造と背景構造が容易に破損する。
FS-Diff, 意味指導, 明快な関節画像融合および超解像法を提案する。
論文 参考訳（メタデータ） (2025-09-11T13:10:22Z) - UniCT Depth: Event-Image Fusion Based Monocular Depth Estimation with Convolution-Compensated ViT Dual SA Block [6.994911870644179]
ローカルおよびグローバルな特徴をモデル化するために,CNNとトランスフォーマーを統一するイベントイメージ融合手法UniCT Depthを提案する。
We show that UniCT Depth are outperforming existing image, event, and fusion-based monocular depth estimation method across key metrics。
論文 参考訳（メタデータ） (2025-07-26T13:29:48Z) - DFVO: Learning Darkness-free Visible and Infrared Image Disentanglement and Fusion All at Once [57.15043822199561]
可視・赤外画像のアンタングル化と融合を同時に行うためのダークネスフリーネットワーク(DFVO)を提案する。
DFVOは、従来の2段階のカスケードトレーニング(エンハンスメントと融合)を置き換えるために、ケースケードマルチタスクアプローチを採用している
提案手法は,定性的および定量的評価の観点から,最先端の代替品よりも優れている。
論文 参考訳（メタデータ） (2025-05-07T15:59:45Z) - A Fusion-Guided Inception Network for Hyperspectral Image Super-Resolution [4.487807378174191]
我々はFusion-Guided Inception Network (FGIN)と呼ばれる単一画像の超解像モデルを提案する。
具体的には、まずスペクトル空間融合モジュールを用いて、スペクトル情報と空間情報を効果的に統合する。
インセプションのような階層的特徴抽出戦略は、マルチスケール空間依存をキャプチャするために用いられる。
再構成品質をさらに向上するため,バイリニアと奥行き分離可能な畳み込みを組み合わせた最適化されたアップサンプリングモジュールを組み込んだ。
論文 参考訳（メタデータ） (2025-05-06T11:15:59Z) - Recurrent Multi-scale Transformer for High-Resolution Salient Object
Detection [68.65338791283298]
Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。
従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。
本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
論文 参考訳（メタデータ） (2023-08-07T17:49:04Z) - MLF-DET: Multi-Level Fusion for Cross-Modal 3D Object Detection [54.52102265418295]
MLF-DETと呼ばれる,高性能なクロスモーダル3DオブジェクトDrectionのための,新規かつ効果的なマルチレベルフュージョンネットワークを提案する。
特徴レベルの融合では、マルチスケールのボクセル特徴と画像の特徴を密集したマルチスケールのボクセル画像融合(MVI)モジュールを提示する。
本稿では,画像のセマンティクスを利用して検出候補の信頼度を補正するFCR(Feature-cued Confidence Rectification)モジュールを提案する。
論文 参考訳（メタデータ） (2023-07-18T11:26:02Z) - A Task-guided, Implicitly-searched and Meta-initialized Deep Model for
Image Fusion [69.10255211811007]
本稿では,課題の多い現実シナリオにおいて,画像融合問題に対処するためのタスク誘導,インプリシト検索,メタ一般化(TIM)深層モデルを提案する。
具体的には、画像融合の教師なし学習プロセスを導くために、下流タスクからの情報を組み込む制約付き戦略を提案する。
このフレームワーク内に暗黙の探索スキームを設計し、高速な融合モデルのためのコンパクトなアーキテクチャを自動で発見する。
論文 参考訳（メタデータ） (2023-05-25T08:54:08Z) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z)
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。