論文の概要: Backbone-Agnostic Stochastic Perturbation Learning for End-to-End Real-World Image Dehazing
- arxiv url: http://arxiv.org/abs/2607.11623v2
- Date: Thu, 16 Jul 2026 03:29:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 14:53:42.207526
- Title: Backbone-Agnostic Stochastic Perturbation Learning for End-to-End Real-World Image Dehazing
- Title（参考訳）: 実世界のエンド・ツー・エンド画像デハジングのためのバックボーン非依存的確率的摂動学習
- Abstract要約: Backbone-Agnostic Perturbation Learningを提案する。
BSPLは連続的に複数のバックボーン代表を改良し、余分な追加の推論オーバーヘッドのみを発生させる。
- 参考スコア（独自算出の注目度）: 2.3013099757243056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world paired image dehazing remains challenging because haze degradation is spatially non-uniform, illumination-dependent, and physically ambiguous even when haze-free references are available. Existing end-to-end restoration networks usually learn a deterministic mapping from a hazy observation to a clean target, while degradation-sensitive feature responses, reverse haze-formation consistency, and cross-domain negative structure remain insufficiently exploited. In this paper, we propose Backbone-Agnostic Stochastic Perturbation Learning (BSPL), a plug-and-play framework for end-to-end real-world image dehazing. BSPL first introduces a Learnable Stochastic Perturbation Modulator (LSPM), which learns input-conditioned channel-wise and spatial-wise perturbation distributions and converts the resulting feature-response discrepancies into adaptive modulation weights. It then develops a Prior-informed Perturbation-guided Reconstruction Module (PPRM), which reuses the learned bottleneck perturbations together with transmission and atmospheric-light priors to reconstruct the hazy observation from the restored result and enforce degradation consistency. Furthermore, we propose a Dual-space Domain-diversified Distribution-aware Contrastive Loss ($D^3$CL) to regularize both clean restoration and hazy reconstruction spaces with real-world and synthetic negatives. Experiments on five real-world paired benchmarks show that BSPL consistently improves multiple representative backbones with only marginal additional inference overhead.
- Abstract（参考訳）: 実世界のペア画像デハジングは、ヘイズフリー参照が利用可能であっても、ヘイズ劣化は空間的に一様でなく、照明に依存し、物理的に曖昧であるため、依然として困難である。
既存のエンド・ツー・エンドの復元ネットワークは通常、有害な観測からクリーンなターゲットへの決定論的マッピングを学習するが、劣化に敏感な特徴応答、リバース・ヘイズ・フォームの整合性、ドメイン間の負構造は依然として不十分に活用されている。
本稿では,リアルタイム画像デハージングのためのプラグイン・アンド・プレイフレームワークであるBackbone-Agnostic Stochastic Perturbation Learning (BSPL)を提案する。
BSPLはまずLSPM(Learningable Stochastic Perturbation Modulator)を導入し、入力条件付きチャネルワイドおよび空間的な摂動分布を学習し、結果として生じる特徴応答の不一致を適応変調重みに変換する。
その後、先行インフォームド摂動誘導再構成モジュール(PPRM)を開発し、このモジュールは学習されたボトルネック摂動を送信や大気光の先行と共に再利用し、復元された結果からヘイジーな観測を再構築し、劣化の一貫性を強制する。
さらに,両領域に分散した分散型コントラスト損失(D^3$CL)を提案する。
実世界の5つのペアベンチマークの実験では、BSPLは最小限の推論オーバーヘッドだけで複数の代表バックボーンを一貫して改善している。
関連論文リスト
- Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration [41.34371852767098]
CEAは、オールインワン画像復元のためのトークン単位の動的パラメータ化フレームワークである。
CEAは、強力なプロンプト、ディスクリプタ、エキスパートベースのベースラインよりも平均的な復元品質を改善します。
論文 参考訳（メタデータ） (2026-05-07T12:31:24Z) - Beyond Reconstruction: Reconstruction-to-Vector Diffusion for Hyperspectral Anomaly Detection [9.078979356836193]
ハイパースペクトル異常検出(HAD)は、複雑なシーンにおけるスパースターゲットの同定に優れる。
既存のモデルは、スカラー・アズ・ア・エンドポイント(reconstruction-as-endpoint)パラダイムに閉じ込められているままである。
本稿では, 精製源として再構成を再定義するリコンストラクション・トゥ・ディフュージョン(R2VD)を提案する。
R2VDは新たな最先端技術を確立し、例外的な目標検出のバックグラウンドを提供する。
論文 参考訳（メタデータ） (2026-04-13T12:31:50Z) - PRISM: Rethinking Scattered Atmosphere Reconstruction as a Unified Understanding and Generation Model for Real-world Dehazing [22.670768613999787]
PRISMは、大気散乱モデルの下で透明なシーンと散乱変数を共同で再構成する物理的に構造化されたフレームワークである。
我々は、オンラインの非一様ヘイズ合成パイプラインと選択的な自己蒸留適応スキームを設計する。
実世界のベンチマーク実験は、PRISMがRIDタスクの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） (2026-04-08T13:01:30Z) - Customizing Large Vision Model-Guided Low-Rank Approximation for Ground-Roll Denoise [4.536244262111516]
地すべりは、陸域および垂直地震探査(VSP)データにおけるコヒーレントノイズの主要な原因である。
本稿では,意味誘導信号分離問題としてグラウンドロール減衰を再構成する学習自由フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-01T14:59:48Z) - 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) - U-DAVI: Uncertainty-Aware Diffusion-Prior-Based Amortized Variational Inference for Image Reconstruction [10.273906387994902]
Ill-posed Imaging inverse problem because theambiguity in theambiguity in the degraded observed to clean image。
補正された変分推論フレームワークは、測定から後方への直接マッピングを学習することで、この非効率性に対処する。
我々は,不確実性評価によって導かれる,空間適応的摂動をトレーニング中の測定に注入し,最も不確実な地域での学習を強調することで,償却フレームワークを拡張した。
論文 参考訳（メタデータ） (2026-02-12T08:32:11Z) - AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference [12.981319326856495]
AODDiffは拡散に基づく推論に基づく確率的再構成フレームワークである。
タスク固有の再トレーニングを必要とせずに、様々な再構築タスクに柔軟に適応することができる。
生成モデルとして、AODDiffは本質的に複数の空間的品質サンプリングによる不確実なサンプリングを可能にし、下流アプリケーションに重要な信頼性指標を提供する。
論文 参考訳（メタデータ） (2025-12-31T13:16:10Z) - Degradation-Aware Metric Prompting for Hyperspectral Image Restoration [20.8230102672152]
ハイパースペクトル画像の復元を支援するためのDAMP(Degradation-Aware Metric Prompting)フレームワークを提案する。
事前定義された劣化先行値に頼るのではなく、連続的に劣化を定量化するために空間スペクトル劣化指標を設計する。
このフレームワークは、多種多様、混合的、あるいは目に見えない劣化の下で適応的、効率的、堅牢な復元を可能にする。
論文 参考訳（メタデータ） (2025-12-23T11:05:36Z) - Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
リプシッツ規則化物体検出(LROD)
本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。
ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
論文 参考訳（メタデータ） (2025-10-28T09:41:42Z) - Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。
拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文 参考訳（メタデータ） (2025-07-02T01:22:46Z) - 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) - Boosting All-in-One Image Restoration via Self-Improved Privilege Learning [72.35265021054471]
SIPL(Self-Improved Privilege Learning)は、トレーニング以外の特権情報(PI)を推論段階に拡張することで制限を克服する新しいパラダイムである。
SIPLの中心は、学習可能なPrivleged Dictionaryを組み込んだ軽量モジュールであるProxy Fusionである。
大規模な実験により、SIPLは様々なオールインワン画像復元ベンチマークの最先端性を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-05-30T04:36:52Z)
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。