論文の概要: Cyclone: Diffusion Model for Cycle-Consistent Weather Editing from Unpaired Driving Data

• arxiv url: http://arxiv.org/abs/2607.13927v1
• Date: Wed, 15 Jul 2026 15:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.81834
• Title: Cyclone: Diffusion Model for Cycle-Consistent Weather Editing from Unpaired Driving Data
• Title（参考訳）: サイクロン:未整備運転データからのサイクル一貫性気象編集のための拡散モデル
• Abstract要約: 本稿では,潜伏拡散に基づく気象編集のための統合フレームワークであるCycloneを紹介する。 提案手法は,既存のベースラインよりもリアルで,構造を保った出力を生成する。
• 参考スコア（独自算出の注目度）: 6.193129698981512
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable perception under diverse weather conditions remains a major challenge for autonomous driving systems. A common strategy to improve robustness is either to synthesize adverse weather conditions for training perception models or to apply weather-removal techniques to recover clean inputs. However, existing approaches typically rely on synthetic data augmentation or physics-based, task-specific models that require paired training data and often struggle to generate realistic weather effects or generalize robustly to out-of-domain scenarios. Toward this problem, we present Cyclone, a unified framework for weather editing based on latent diffusion, equipped with cycle-consistent constraints and knowledge from image-text models. Cyclone enables the generation of multiple weather conditions across diverse scenes while eliminating the need for paired data. Experimental results show that our approach produces more realistic, structure-preserving outputs than existing baselines and leads to consistent improvements across several downstream driving perception tasks. Furthermore, we demonstrate that Cyclone can be distilled to a video diffusion model for temporally consistent weather editing.
• Abstract（参考訳）: 多様な気象条件下での信頼性の高い認識は、自動運転システムにとって大きな課題である。 堅牢性を改善するための一般的な戦略は、認識モデルのトレーニングのために悪天候条件を合成するか、クリーンな入力を回復するために天候除去技術を適用することである。 しかしながら、既存のアプローチは一般的に、ペア化されたトレーニングデータを必要とし、現実的な気象効果を生成するのに苦労したり、ドメイン外のシナリオに堅牢に一般化する、合成データ拡張または物理ベースのタスク固有のモデルに依存している。 そこで本研究では,潜時拡散に基づく気象編集のための統合フレームワークであるCycloneについて,サイクル整合性制約と画像テキストモデルからの知識を備える。 サイクロンにより、さまざまな場面にまたがって複数の気象条件が生成でき、ペアデータの必要性を排除できる。 実験結果から,本手法は既存のベースラインよりもリアルで構造を保った出力を生成し,下流の駆動認識タスクに一貫した改善をもたらすことが示された。 さらに,時間的に一貫した気象編集を行うためのビデオ拡散モデルにサイクロンを蒸留できることを実証した。

関連論文リスト

• WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling [19.471234487904514]
  多数のタスクにまたがる特別なベースラインを置き換えることのできる,単一の事前学習基盤モデルであるWINDを紹介する。 ドメイン固有の問題を逆問題として厳密に分類し、後続サンプリングを用いて解決する。 地球温暖化シナリオ下での極端気象事象の物理的に一貫した対実的ストーリーラインを生成するモデルの性能を実証する。
  論文  参考訳（メタデータ） (2026-02-03T18:58:10Z)
• ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data [16.145130650604344]
  我々は,意味的コヒーレント,気象多様性,物理的に妥当なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークを提案する。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。
  論文  参考訳（メタデータ） (2025-12-02T12:14:19Z)
• Controllable Weather Synthesis and Removal with Video Diffusion Models [61.56193902622901]
  WeatherWeaverは、様々な気象効果を直接入力ビデオに合成するビデオ拡散モデルである。 本モデルは,気象効果の強度を正確に制御し,様々な気象タイプをブレンドし,現実主義と適応性の両方を保証する。
  論文  参考訳（メタデータ） (2025-05-01T17:59:57Z)
• Adverse Weather Conditions Augmentation of LiDAR Scenes with Latent Diffusion Models [0.0]
  本稿では,オートエンコーダと潜時拡散モデルにより構成される潜時拡散過程を提案する。 我々は,環境条件のクリアなシーンを後処理のステップで活用し,発生した悪天候のシーンの現実性を改善する。
  論文  参考訳（メタデータ） (2025-01-03T11:26:29Z)
• Multiple weather images restoration using the task transformer and adaptive mixup strategy [14.986500375481546]
  本稿では,複雑な気象条件を適応的に効果的に処理できる,マルチタスクの厳しい天候除去モデルを提案する。 本モデルでは,気象タスクシークエンスジェネレータを組み込んで,気象タイプに特有な特徴に選択的に注目する自己認識機構を実現する。 提案モデルでは,公開データセット上での最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-05T04:55:40Z)
• Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
  ビデオの悪天候除去におけるテスト時間適応について紹介する。 本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:21:30Z)
• Continual All-in-One Adverse Weather Removal with Knowledge Replay on a Unified Network Structure [92.8834309803903]
  現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。 我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。 連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
  論文  参考訳（メタデータ） (2024-03-12T03:50:57Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。