論文の概要: LowAux-RDNet: Low-Pass Residual Supervision with Scene-Balanced Real-World Training for Single-Image Reflection Removal
- arxiv url: http://arxiv.org/abs/2607.22707v1
- Date: Mon, 20 Jul 2026 12:45:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.834011
- Title: LowAux-RDNet: Low-Pass Residual Supervision with Scene-Balanced Real-World Training for Single-Image Reflection Removal
- Title（参考訳）: LowAux-RDNet:Scene-Balanced Real-World Training for Single- Image Reflectionectomy
- Abstract要約: シングルイメージの反射除去は、ガラスを通して撮影された1つの画像からクリーンな透過層を回収することを目的としている。
我々はRDNet上に構築された明示的な分解パイプラインについて検討し、トレーニング専用の低域反射補助目標であるLowAuxを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-image reflection removal aims to recover a clean transmission layer from one image captured through glass. We study an explicit decomposition pipeline built on RDNet and introduce LowAux, a training-only low-pass reflection auxiliary objective. The original residual target remains the main reflection supervision, while symmetrically filtered prediction and target provide a stable low-frequency constraint. We further incorporate scene-balanced real pairs from RRW to broaden real-scene coverage and improve cross-dataset generalization. To avoid evaluation discrepancies caused by model-specific resizing, padding, output quantization, and metric code, we build a unified public benchmark over CEILNet, Real20, Postcard, Objects, and Wild. Under the same evaluator, the proposed system obtains a five-dataset macro average of 27.546 dB PSNR, 0.9220 SSIM, 0.9751 NCC, and 0.004760 LMSE, achieving the highest macro-average PSNR, SSIM, and NCC and the lowest LMSE among the compared public checkpoints and internal variants. Per-dataset and qualitative analyses show that the main benefit is a more balanced performance across diverse reflection distributions, while clear semantic reflections in Postcard remain challenging.
- Abstract（参考訳）: シングルイメージの反射除去は、ガラスを通して撮影された1つの画像からクリーンな透過層を回収することを目的としている。
我々はRDNet上に構築された明示的な分解パイプラインについて検討し、トレーニング専用の低域反射補助目標であるLowAuxを紹介する。
元の残留ターゲットはメインリフレクションの監督に留まり、対称フィルタリングされた予測とターゲットは安定した低周波制約を提供する。
さらに、RRWからのシーンバランスの取れた実対を組み込んで、リアルタイムのカバレッジを広げ、データセット間の一般化を改善する。
モデル固有のリサイズ、パディング、出力量子化、およびメトリックコードによる評価の相違を避けるため、CEILNet、Real20、Postcard、Objects、Wild上で統一された公開ベンチマークを構築します。
同じ評価器のもとで,提案システムは,27.546 dB PSNR,0.9220 SSIM,0.9751 NCC,0.004760 LMSEの5つのデータセットのマクロ平均値を求める。
パーデータセットと定性的分析は、Postcardの明確なセマンティックリフレクションが困難であるのに対して、主な利点は、多様なリフレクション分布間のバランスの取れたパフォーマンスであることを示している。
関連論文リスト
- Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳（メタデータ） (2025-10-12T05:38:10Z) - Reasoning and Learning a Perceptual Metric for Self-Training of Reflective Objects in Bin-Picking with a Low-cost Camera [10.976379239028455]
低コストのRGB-Dカメラを用いた金属オブジェクトのビンピッキングは、しばしばスパース深度情報と反射面テクスチャに悩まされる。
本稿では,メートル法学習段階と自己学習段階からなる2段階の枠組みを提案する。
提案手法は,ROBIデータセットと新たに導入したSelf-ROBIデータセットの両方において,最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-03-26T04:03:51Z) - 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) - A Lightweight Deep Exclusion Unfolding Network for Single Image Reflection Removal [68.0573194557999]
シングルイメージリフレクション除去(SIRR)は、標準的なブラインドソース分離問題である。
本稿ではSIRRのための新しいDeep Exclusion Unfolding Network(DExNet)を提案する。
DExNetは、単純な反復スパースと補助的特徴更新(i-SAFU)アルゴリズムの展開とパラメータ化によって構築される。
論文 参考訳（メタデータ） (2025-03-03T07:54:27Z) - LR0.FM: Low-Res Benchmark and Improving Robustness for Zero-Shot Classification in Foundation Models [15.756916492766372]
視覚言語基礎モデル(FM)は、様々なタスクにまたがる顕著なゼロショットの一般化を示す。
しかし、現実のシナリオでは一般的な課題である低解像度/ピクセル化(LR)画像に対するロバスト性はいまだに未解明のままである。
66個のバックボーンと15個のデータセットにわたる10個のFM(s)のゼロショット分類性能に対する低解像度の影響を評価するベンチマークであるLR0.FMを紹介する。
論文 参考訳（メタデータ） (2025-02-06T10:40:42Z) - SafaRi:Adaptive Sequence Transformer for Weakly Supervised Referring Expression Segmentation [11.243400478302771]
Referring Expression Consistency (RES) は、テキストによって参照される画像において、対象オブジェクトのセグメンテーションマスクを提供することを目的としている。
アルゴリズムの革新を取り入れたRESのための弱教師付きブートストラップアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-07-02T16:02:25Z) - Benchmarking Zero-Shot Robustness of Multimodal Foundation Models: A Pilot Study [61.65123150513683]
CLIPのようなマルチモーダル基盤モデルは、最先端のゼロショット結果を生成する。
これらのモデルは、ImageNetでトレーニングされた教師付きモデルのパフォーマンスを一致させることで、ロバスト性ギャップを埋めることが報告されている。
CLIPは、ベンチマーク上の教師付きImageNetモデルと比較して、かなりの堅牢性低下をもたらすことを示す。
論文 参考訳（メタデータ） (2024-03-15T17:33:49Z) - Revisiting Single Image Reflection Removal In the Wild [83.42368937164473]
本研究は,実環境におけるシングルイメージリフレクション除去(SIRR)の問題に焦点をあてる。
我々は,様々な現実世界のリフレクションシナリオに高度に適用可能な,高度なリフレクション収集パイプラインを考案した。
野生での反射除去(RRW)と呼ばれる大規模で高品質な反射データセットを開発する。
論文 参考訳（メタデータ） (2023-11-29T02:31:10Z) - Perception-Oriented Single Image Super-Resolution using Optimal
Objective Estimation [11.830754741007029]
本稿では,高分解能出力の全体領域において,各領域に最適な目標を適用したSISRフレームワークを提案する。
このフレームワークは、与えられた低解像度(LR)入力に対して最適な客観的マップを推定する予測モデルと、対応するSR出力を生成するために対象対象マップを適用する生成モデルと、の2つのモデルから構成される。
論文 参考訳（メタデータ） (2022-11-24T15:45:03Z) - 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)
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。