Fugu-MT 論文翻訳(概要): Pixel Ignores, Superpixel Sees: Adverse Weather Image Restoration via Semantic-Center SSM

論文の概要: Pixel Ignores, Superpixel Sees: Adverse Weather Image Restoration via Semantic-Center SSM

arxiv url: http://arxiv.org/abs/2608.01760v1
Date: Mon, 03 Aug 2026 06:29:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.351011
Title: Pixel Ignores, Superpixel Sees: Adverse Weather Image Restoration via Semantic-Center SSM
Title（参考訳）: Pixel Ignores, Superpixel Sees:Semantic-Center SSMによる逆気象画像復元
Abstract要約: 逆気象画像復元は、複雑な気象条件下での劣化画像からの鮮明な視認性回復を目的としている。我々は,textbfRestoration のための textbfSemantic-center ギルド付き textbfState 空間モデルである SSR を提案する。
参考スコア（独自算出の注目度）: 38.53001847198528
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adverse weather image restoration aims to recover clear visibility from degraded images in complex weather conditions. Existing works attempt to address this problem by modeling relationships between pixels, however, this paradigm defies the spatially non-uniformity fact of degradations and learns non-discriminative features from semantic-conflict regions. In this paper, we propose SSR, a \textbf{S}emantic-center guilded \textbf{S}tate space model for image \textbf{R}estoration. The key idea of SSR is to shift the conventional scanning strategy of pixel-serial to semantic-guilded one. Specifically, we introduce a Superpixel-guided Selective Scan Mechanism ($\text{S}^3$M), which first partitions the image into perceptually coherent regions via superpixel clustering and then performs relations modeling within the semantic-related regions. Moreover, a Region-level Gating Mechanism (RGM) is developed to perform intra-region calibration by modulating degradation outliers within each semantic superpixel unit along the channel dimension. Extensive experiments on \textbf{6} well-established benchmarks demonstrate that SSR performs favorably against state-of-the-art models with competitive computational cost.
Abstract（参考訳）: 逆気象画像復元は、複雑な気象条件下での劣化画像からの鮮明な視認性回復を目的としている。既存の研究は画素間の関係をモデル化することでこの問題に対処しようとするが、このパラダイムは分解の空間的非一様性事実を否定し、意味論的な領域から非識別的特徴を学習する。本稿では,SSR, SSR, a \textbf{S}emantic-center guilded \textbf{S}tate space model for image \textbf{R}estorationを提案する。 SSRの鍵となる考え方は、ピクセルシリアルの従来の走査戦略をセマンティックギルドにシフトさせることである。具体的には,Superpixel-guided Selective Scan Mechanism ("\text{S}^3$M")を導入し,まずイメージをスーパーピクセルクラスタリングにより知覚的に一貫性のある領域に分割し,セマンティック関連領域内で関係モデリングを行う。さらに、領域レベルのゲーティング機構(RGM)を開発し、チャネル次元に沿って各セマンティックスーパーピクセル単位内の分解異常値を調整し、領域内キャリブレーションを行う。 textbf{6} のよく確立されたベンチマークに関する広範な実験は、SSRが競争計算コストの高い最先端モデルに対して好適に機能することを示した。

関連論文リスト

SP-MoMamba: Superpixel-driven Mixture of State Space Experts for Efficient Image Super-Resolution [99.56535031145211]
状態空間モデル(SSM)は、効率的な単一画像超解像(SR)のための強力なパラダイムとして登場した。我々は、コンテント対応SRのための状態空間の専門家による超ピクセル駆動の混合である textbfSP-MoMamba を提案する。私たちの中核となる考え方は、従来の剛性スキャンを、スーパーピクセルを基本単位として扱うことによって、テキストのセマンティックなレベルのインタラクションに変換することです。
論文参考訳（メタデータ） (2026-05-25T14:19:59Z)
Hyperspectral Super-Resolution with Inter-Image Variability via Degradation-based Low-Rank and Residual Fusion Method [2.317803962255901]
マルチスペクトル画像(MSI)によるハイパースペクトル画像の融合は、HSIの空間分解能を高める効果的な方法である。取得条件が異なるため、スペクトルのばらつきや、HSIとMSIの間の空間的局所的な変化が存在する可能性がある。既存の方法は通常、直接変換を適用した画像間の可変性を扱う。本稿では, この課題に対処するために, 劣化に基づく低ランク・残留核融合(DLRRF)モデルを提案する。
論文参考訳（メタデータ） (2025-11-19T02:45:31Z)
Semantic-Guided Diffusion Model for Single-Step Image Super-Resolution [13.187007344274662]
拡散型画像超解像法 (SR) は顕著な性能を示した。最近の進歩は15段階から1段階まで推論を減少させる決定論的サンプリングプロセスを導入している。本稿では,セマンティックセグメンテーションマスクをサンプリングプロセスに組み込んだ意味誘導拡散フレームワークSAMSRを提案する。
論文参考訳（メタデータ） (2025-05-11T17:45:05Z)
HSRMamba: Contextual Spatial-Spectral State Space Model for Single Image Hyperspectral Super-Resolution [41.93421212397078]
Mambaは、その強力なグローバルモデリング能力と線形計算複雑性のために、視覚タスクにおいて例外的な性能を示した。 HSRMambaはハイパースペクトル画像超解像(HSISR)のための文脈空間スペクトルモデリング状態空間モデルである
論文参考訳（メタデータ） (2025-01-30T17:10:53Z)
Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文参考訳（メタデータ） (2024-08-01T15:14:10Z)
Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
論文参考訳（メタデータ） (2024-05-11T16:06:16Z)
Semantic Encoder Guided Generative Adversarial Face Ultra-Resolution Network [15.102899995465041]
本稿では,セマンティックガイド付き生成逆顔超解像ネットワーク(SEGA-FURN)を提案する。提案するネットワークは, 組込みセマンティクスを捕捉し, 対数学習を誘導する新しいセマンティクスエンコーダと, Residual in Internal Block (RIDB) という階層型アーキテクチャを用いた新しいジェネレータから構成される。大規模顔データを用いた実験により,提案手法は優れた超解像結果が得られ,定性比較と定量的比較の両面で他の最先端手法よりも優れることが示された。
論文参考訳（メタデータ） (2022-11-18T23:16:57Z)
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)
Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification [49.32130776974202]
SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。 3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
論文参考訳（メタデータ） (2021-08-25T10:47:26Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文参考訳（メタデータ） (2020-12-11T06:18:36Z)
Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。