論文の概要: Overcoming Attention Drift: Homogeneity-Heterogeneity Guided Feature Aggregation for Low-Light Remote Sensing Image Enhancement
- arxiv url: http://arxiv.org/abs/2608.05843v1
- Date: Thu, 06 Aug 2026 10:11:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.887366
- Title: Overcoming Attention Drift: Homogeneity-Heterogeneity Guided Feature Aggregation for Low-Light Remote Sensing Image Enhancement
- Title（参考訳）: 注意ドリフトの克服:低照度リモートセンシング画像強調のための均一性・均一性誘導特徴集約
- Abstract要約: ノイズや照明の破損により、既存の手法は注意の漂流や構造的ぼやけや色歪みに悩まされる。
本稿では,基礎モデルによって導かれる特徴集約問題として拡張を定式化する,二重優先型拡張フレームワークHALOを提案する。
H2CAMは8つの挑戦的な合成および実世界のリモートセンシングベンチマークで最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 10.412281080988647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restoring high-fidelity remote sensing imagery from extreme low-light degradation is indispensable for reliable Earth observation and downstream machine vision. However, under severe noise and illumination corruption, existing methods suffer from attention drift, erroneously aggregating features across distinct physical boundaries and causing severe structural blurring and color distortion. To address this, we propose HALO, a dual-prior-driven enhancement framework that formulates enhancement as a guided feature aggregation problem driven by foundation model priors. Specifically, an illumination-invariant semantic prior provides regional homogeneity as a positive bias for content-consistent aggregation, while a pseudo-3D topological prior provides boundary heterogeneity as a negative penalty to strictly prevent cross-boundary confusion. To cooperatively incorporate these two priors, we propose a Homogeneity-Heterogeneity Cooperative Attention Module (H2CAM) to resolve feature conflicts during cross-modal prior fusion. Extensive experiments demonstrate that HALO achieves state-of-the-art performance across 8 challenging synthetic and real-world remote sensing benchmarks, significantly improving physical boundary sharpness and color fidelity while maximizing the preservation of discriminative features for downstream Earth observation tasks.
- Abstract（参考訳）: 極低照度劣化による高忠実度リモートセンシング画像の復元は、信頼できる地球観測と下流機械ビジョンにとって不可欠である。
しかし、騒音と照明の破損により、既存の手法は注意のドリフトに悩まされ、異なる物理的境界を越えて誤って特徴を集約し、構造的なぼやけや色歪みを引き起こした。
そこで本稿では,基礎モデルによって導かれる特徴集約問題として拡張を定式化する,二重優先型拡張フレームワークHALOを提案する。
具体的には、照度不変のセマンティクスは、コンテンツ一貫性アグリゲーションの正のバイアスとして局所的均一性を提供するが、擬似3Dトポロジカル事前は、境界不均一性を負のペナルティとして提供し、クロスバウンダリ混乱を厳密に防止する。
これら2つの前兆を協調的に組み込むため, 異種間融合における特徴衝突を解消するホモジニティ・異種協調注意モジュール (H2CAM) を提案する。
大規模な実験により、HALOは8つの挑戦的な合成および実世界のリモートセンシングベンチマークで最先端のパフォーマンスを達成し、下流の地球観測タスクにおける識別的特徴の保存を最大化しつつ、物理的境界のシャープネスと色忠実性を著しく改善した。
関連論文リスト
- Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets [43.71958109614362]
近距離赤外小ターゲット(CSIST)は一般的にエネルギーの重なりを見せ、赤外線画像では識別不能なブロブとして現れる。
この曖昧さは、従来の検出の1対1のマッピング仮定を無効にする。
深層展開が不要であることを示す一段軽量パラダイムを提案する。
論文 参考訳（メタデータ） (2026-07-17T14:42:51Z) - Thresholded Cross-Attention for Reliable Intensity-Chromaticity Fusion in Low-Light Image Enhancement [18.972830666871005]
低照度画像強調(LLIE)では、ノイズ抑制、色忠実度、効率性に注意を要する。
近年のHVI法では, 強度と色度を分離することで, 色の絡み合いを緩和する手法が提案されている。
本稿では,Thresholded Cross-Attention を中心に構築されたネットワーク TCA-Net を提案する。
論文 参考訳（メタデータ） (2026-07-15T15:06:16Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - HarmoGS: Robust 3D Gaussian Splatting in the Wild via Conflict-Aware Gradient Harmonization [82.42818558196615]
In the-the-wild 3D Gaussian Splattingは、過渡的乱れと照明による視界不整合のため、依然として困難である。
本稿では、画像空間の監督と勾配レベルの最適化の両方からこの問題に対処するコンフリクト対応3DGSフレームワークを提案する。
本手法は,複雑な過渡トラクタとクロスビューの不整合の下で,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2026-05-13T06:47:09Z) - Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。
我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。
CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
論文 参考訳（メタデータ） (2026-04-18T10:23:00Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - Hyperspectral Image Generation with Unmixing Guided Diffusion Model [21.078386095749398]
ハイパースペクトル画像合成(Hyperspectral image synthesis)は、サンプルの多様性を制限する条件付き生成パラダイムによって制約されているが、関心が高まり続けている問題である。
ハイパースペクトルアンミキシングによって明示的に導かれる拡散フレームワークを導入し,課題を克服する。
このアプローチは、(i)画像領域から低次元のアバンダンス多様体に生成を射影する未混合オートエンコーダと、(ii)非負性および和対1の制約を強制するアバンダンス拡散プロセスの2つの協調的なコンポーネントを統合する。
論文 参考訳（メタデータ） (2025-06-03T08:27:10Z) - Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。
既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。
本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-22T14:42:27Z) - D-SCo: Dual-Stream Conditional Diffusion for Monocular Hand-Held Object Reconstruction [74.49121940466675]
モノクローナルハンドヘルドオブジェクト再構成のためのCentroid-fixed dual-stream conditionalfusionを導入する。
まず、対象のセントロイドがずれることを避けるために、手動制約付きセントロイド固定パラダイムを用いる。
第2に、意味的および幾何学的に手動物体の相互作用をモデル化するための二重ストリームデノイザを導入する。
論文 参考訳（メタデータ） (2023-11-23T20:14:50Z) - Heterogeneous Face Frontalization via Domain Agnostic Learning [74.86585699909459]
本研究では, 視覚領域における正面視を, ポーズのバリエーションで合成できるドメイン非依存学習型生成逆数ネットワーク(DAL-GAN)を提案する。
DAL-GANは、補助分類器を備えたジェネレータと、より優れた合成のために局所的およびグローバルなテクスチャ識別をキャプチャする2つの識別器から構成される。
論文 参考訳（メタデータ） (2021-07-17T20:41:41Z)
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。