論文の概要: PRISM: Latent Composition Consistency for Single-Image Reflection Removal
- arxiv url: http://arxiv.org/abs/2606.31513v1
- Date: Tue, 30 Jun 2026 11:28:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.194893
- Title: PRISM: Latent Composition Consistency for Single-Image Reflection Removal
- Title（参考訳）: PRISM: 単一画像の反射除去のための潜時構成整合性
- Abstract要約: 単一像反射除去(SIRR)は、反射によって劣化した混合物から透過層を回収する。
既存の手法はピクセル空間で動作し、非線形sRGB生成モデルは2つの層を絡み合わせる。
我々は、SIRRを潜在線形分離問題として再解釈するtextbfPRISM(Pretrained-latent Reflection Image separation Model)を提案する。
- 参考スコア（独自算出の注目度）: 8.368543987898734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-image reflection removal (SIRR) seeks to recover the transmission layer from a mixture corrupted by reflections -- a severely ill-posed problem. Existing methods operate in pixel space, where the nonlinear sRGB formation model entangles the two layers and limits generalization. We observe that pretrained VAE latent spaces exhibit substantially lower coherence between image layers compared to pixel space, providing a more favorable working space for decomposition. Building on this finding, we propose \textbf{PRISM} (Pretrained-latent Reflection Image Separation Model), which reinterprets SIRR as a latent linear separation problem. Under an approximate additive formulation in latent space, PRISM learns a flow matching velocity field on a pretrained FLUX backbone that recovers both transmission and reflection in a single forward pass. To enforce robust disentanglement, we introduce a Latent Composition Consistency (LCC) strategy that constructs synthetic mixtures by swapping reflection latents across samples and enforces consistent decomposition via a cycle loss. We further propose a Layer Contrastive Separation (LCS) loss that promotes semantic separation between layers through patch-level contrastive learning, without requiring explicit reflection targets. Experiments on six benchmarks demonstrate that PRISM consistently outperforms state-of-the-art methods by significant margins, with strong generalization to in-the-wild images.
- Abstract（参考訳）: シングルイメージリフレクション除去(SIRR)は、反射によって腐敗した混合物から透過層を回収しようとする。
既存の手法はピクセル空間で動作し、非線形sRGB生成モデルは2つの層を絡めて一般化を制限する。
プレトレーニングされたVOE潜伏空間は画素空間と比較して画像層間のコヒーレンスが著しく低く、分解に好適な作業空間を提供する。
そこで本研究では, SIRR を線形分離問題として再解釈する <textbf{PRISM} (Pretrained-latent Reflection Image separation Model) を提案する。
潜在空間における近似的な加法的定式化の下で、PRISMは事前訓練されたFLUXバックボーン上の流速場を学習し、単一の前方通過における伝送と反射の両方を回復する。
そこで我々は, 試料間で反射潜水剤を交換し, サイクルロスを通した一貫した分解を行ない, 合成混合物を構成するLCC戦略を導入する。
さらに、明示的な反射目標を必要としないパッチレベルのコントラスト学習により、レイヤ間のセマンティックな分離を促進する層コントラスト分離(LCS)の損失を提案する。
6つのベンチマーク実験により、PRISMは最先端の手法をかなりのマージンで一貫した性能で上回ることを示した。
関連論文リスト
- Reflection Separation from a Single Image via Joint Latent Diffusion [15.007786845289223]
単一像の反射分離は、フレアや弱い反射のような極端な条件下では非常に困難である。
本稿では, この課題に対して明確に微調整された拡散モデルを提案する。
本手法では, 透過層と反射層を統一拡散モデルにより同時に生成する。
論文 参考訳（メタデータ） (2026-06-02T18:11:20Z) - Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。
近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。
我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
論文 参考訳（メタデータ） (2026-04-01T14:32:15Z) - FUMO: Prior-Modulated Diffusion for Single Image Reflection Removal [51.98991734660274]
本稿では、空間制御性と構造忠実性を改善するために、明示的な誘導信号を導入した事前変調フレームワーク(FUMO)を用いた拡散モデルを提案する。
標準ベンチマークと野生での挑戦的な画像の両方で実施された実験は、競争力のある定量的結果を示し、知覚品質を継続的に改善した。
論文 参考訳（メタデータ） (2026-03-19T15:33:11Z) - ReflexSplit: Single Image Reflection Separation via Layer Fusion-Separation [13.290464696196366]
単一画像反射分離(SIRS)は混合画像を透過層と反射層に分離する。
既存の方法は非線形混合下での透過・反射混乱に悩まされる。
3つの重要なイノベーションを持つデュアルストリームフレームワークであるReflexSplitを提案する。
論文 参考訳（メタデータ） (2026-01-24T13:52:21Z) - RefLSM: Linearized Structural-Prior Reflectance Model for Medical Image Segmentation and Bias-Field Correction [10.716406019360441]
医用画像セグメンテーションのための新しい変動反射型レベルセットモデル(RefLSM)を提案する。
RefLSMはRetinexにインスパイアされた反射率分解をセグメンテーションフレームワークに明示的に統合する。
RefLSMは,最先端レベル設定法と比較して,セグメンテーション精度,ロバスト性,計算効率が優れていることを示す。
論文 参考訳（メタデータ） (2025-12-08T06:06:29Z) - Rectifying Latent Space for Generative Single-Image Reflection Removal [16.341477336909765]
単一画像の除去は、既存の手法が崩壊した領域の構成を推論するのに苦労する、非常に不適切な問題である。
この研究は、編集目的の潜在拡散モデルを再設計し、高度に曖昧で層状な画像入力を効果的に知覚し、処理する。
論文 参考訳（メタデータ） (2025-12-06T09:16:14Z) - Dereflection Any Image with Diffusion Priors and Diversified Data [86.15504914121226]
本稿では、効率的なデータ準備パイプラインと、頑健な反射除去のための一般化可能なモデルを備えた包括的解を提案する。
まず、ターゲットシーンでランダムに回転する反射媒体によって生成された横反射除去(DRR)というデータセットを紹介する。
第2に、決定論的出力と高速推論のための1ステップ拡散を伴う拡散に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-21T17:48:14Z) - Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。
TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文 参考訳（メタデータ） (2024-08-17T09:51:42Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳（メタデータ） (2022-06-07T14:55:32Z) - Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。
RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。
5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
論文 参考訳（メタデータ） (2020-12-02T03:14:57Z) - Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。
本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。
本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
論文 参考訳（メタデータ） (2020-08-11T17:59:31Z)
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。