論文の概要: DDR-Net: Haze-Aware Dual-Domain Refinement for Single-Image Dehazing

• arxiv url: http://arxiv.org/abs/2607.11071v1
• Date: Mon, 13 Jul 2026 04:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.327546
• Title: DDR-Net: Haze-Aware Dual-Domain Refinement for Single-Image Dehazing
• Title（参考訳）: DDR-Net:シングルイメージデハージングのためのヘイズ対応デュアルドメインリファインメント
• Authors: Xinye Zheng, Ye Yu, Qiang Lu, Jinsheng Luo, Yiran Cui, Yongbin Cheng,
• Abstract要約: シングルイメージのデハージングは、ヘイズ劣化画像から鮮明なシーンを復元することを目的としている。 本稿では,単一画像のデハージングのためのヘイズアウェアなデュアルドメインリファインメントネットワーク(DDR-Net)を提案する。 DDR-Netは、ヘイズ除去のためのより効果的な特徴表現と再構成を実現する。
• 参考スコア（独自算出の注目度）: 2.962656508378179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-image dehazing aims to recover clear scenes from haze-degraded images. It remains challenging due to the atmospheric scattering and the complexity of real-world haze distributions. Although recent end-to-end networks have achieved promising performance, two issues still limit their effectiveness: insufficient feature refinement at the bottleneck stage and weak local structural representation in encoder-decoder architectures. Thus, we propose a Haze-Aware Dual-Domain Refinement Network (DDR-Net) for single-image dehazing. Our method is built upon three modules: Haze Prior Extractor (HPE) provides multi-scale haze-aware priors by operating directly on downsampled hazy images; Detail-Enhanced Blocks (DE Blocks) serve as the core feature extraction units, capturing multi-scale structural information and enhancing edge and texture recovery via gradient-aware convolutions; and Spatial-Frequency Bottleneck Refinement (SFBR) at the bottleneck jointly exploits spatial and frequency information to refine bottleneck features. DDR-Net achieves more effective feature representation and reconstruction for haze removal. Extensive experiments on real-world benchmarks demonstrate that our method outperforms existing dehazing approaches. It achieves competitive performance on synthetic datasets.
• Abstract（参考訳）: シングルイメージのデハージングは、ヘイズ劣化画像から鮮明なシーンを復元することを目的としている。 大気の散乱と実世界のヘイズ分布の複雑さのため、依然として困難である。 最近のエンド・ツー・エンドのネットワークは有望な性能を達成したが、ボトルネック段階での機能改善が不十分なこととエンコーダ・デコーダアーキテクチャにおける局所的構造表現の弱さという2つの問題がまだその効果を制限している。 そこで本研究では,単一画像のデハージングのためのヘイズアウェアデュアルドメインリファインメントネットワーク(DDR-Net)を提案する。 提案手法は3つのモジュール上に構築されている: Haze Prior Extractor (HPE) は、マルチスケールのヘイズ画像を直接操作し、Detail-Enhanced Blocks (DE Blocks) はコア特徴抽出ユニットとして機能し、マルチスケールな構造情報を取得し、勾配認識畳み込みによるエッジとテクスチャの回復を向上する。 DDR-Netは、ヘイズ除去のためのより効果的な特徴表現と再構成を実現する。 実世界のベンチマークによる大規模な実験により、我々の手法は既存のデハジング手法よりも優れていることが示された。 合成データセット上での競合性能を実現する。

関連論文リスト

• Efficient Dual-domain Image Dehazing with Haze Prior Perception [26.57698394898644]
  トランスフォーマーベースのモデルは、シングルイメージのデハージングにおいて強力なグローバルモデリング能力を示すが、その高い計算コストはリアルタイム適用性を制限する。 そこで我々はDGFDNet(Dark Channel Guided Frequency-aware Dehazing Network)を提案する。 4つのベンチマークハウズデータセットの実験により、DGFDNetは、より優れた堅牢性とリアルタイム効率で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-07-15T06:56:56Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• DehazeMamba: SAR-guided Optical Remote Sensing Image Dehazing with Adaptive State Space Model [27.83437788159158]
  DehazeMambaはプログレッシブ・ヘイズ・デカップリング・フュージョン・ストラテジー上に構築された新規なSAR誘導脱ヘイズ・ネットワークである。 提案手法は,光-SAR差分解析によるヘイズ影響領域を動的に同定するHPDMと,特徴量評価に基づく2段階融合プロセスによるドメインシフトを緩和するプログレッシブ・フュージョン・モジュール (PFM) である。 大規模な実験により、DehazeMambaは最先端の手法を著しく上回り、PSNRの0.73dB改善と下流タスクの大幅な強化を実現している。
  論文  参考訳（メタデータ） (2025-03-17T11:25:05Z)
• DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm [3.649619954898362]
  我々は,Detail Recovery and Contrastive DehazeNetを開発した。 濃密な拡張反転残差ブロックと、注意に基づく詳細回復ネットワークを介して、効率的で効果的な脱ハジングを提供する。 大きな革新は、新しい四重項損失に基づくコントラストデハージングパラダイムによって達成された、限られたデータで効果的にトレーニングできることである。
  論文  参考訳（メタデータ） (2024-10-18T16:48:31Z)
• Haze-Aware Attention Network for Single-Image Dehazing [10.881567541939653]
  本稿では,HAAM(Haze-Aware Attention Module)とMFEM(Multiscale Frequency Enhancement Module)を組み合わせたデハージングネットワークを提案する。 HAAMは大気散乱モデルにインスパイアされ、物理的原理を高次元の特徴に巧みに組み込んで目的の脱ハージングを行う。 我々の研究は、画像デハジングの分野を前進させるだけでなく、コンピュータビジョンの幅広い応用のための注意機構の設計に関する洞察も提供する。
  論文  参考訳（メタデータ） (2024-07-16T08:42:39Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Gated Multi-Resolution Transfer Network for Burst Restoration and Enhancement [75.25451566988565]
  低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。 5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
  論文  参考訳（メタデータ） (2023-04-13T17:54:00Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。