論文の概要: IRPol-Fuse: Energy-structure coordination for infrared polarization fusion under low visibility
- arxiv url: http://arxiv.org/abs/2608.07848v1
- Date: Sat, 08 Aug 2026 01:35:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.530609
- Title: IRPol-Fuse: Energy-structure coordination for infrared polarization fusion under low visibility
- Title（参考訳）: IRPol-Fuse:低視認性赤外偏光核融合におけるエネルギー構造調整
- Abstract要約: 低可視性シナリオに挑戦するエネルギー構造協調型IPIFフレームワークであるIRPol-Fuseを提案する。
提案フレームワークは, 適応赤外偏光アロケーションのための偏光アテンションフュージョン, ハイライト誘導赤外保護のための赤外光, 偏光テクスチャ復元のための偏光テクスチャの3つの重要なモジュールを含む。
LI-PIと公共LCDRSデータセットを用いた実験により、IRPol-Fuseは熱標的保存、構造的詳細回復、視覚的自然性において良好な性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 5.157439148327911
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Robust perception under low-visibility conditions requires fused imagery that jointly preserves infrared thermal saliency and polarization-derived structural details. However, existing infrared-polarization image fusion (IPIF) methods often overemphasize dominant infrared responses, causing weak yet informative polarization textures in dark regions to be suppressed. To address this issue, we propose IRPol-Fuse, an energy-structure coordinated IPIF framework for challenging low-visibility scenarios. The proposed framework contains three key modules: Polarization Attention Fusion for adaptive infrared-polarization allocation, Infrared Highlight Injector for highlight-guided infrared preservation, and Polarization Texture Injector for polarization texture restoration and fine-detail recovery. We further construct LI-PI, a dedicated infrared-polarization evaluation dataset for low-visibility and visually concealed scenes. Experiments on LI-PI and the public LDDRS dataset demonstrate that IRPol-Fuse achieves favorable performance in thermal target preservation, structural detail recovery, and visual naturalness. Region-aware evaluation and downstream object detection further verify that the proposed energy-structure coordination strategy effectively preserves both infrared target saliency and polarization-derived structural information. Code is available at https://github.com/1hzf/IRPolar-Fuse .
- Abstract（参考訳）: 低視認性条件下でのロバストな知覚は、赤外線熱塩分と偏光に由来する構造の詳細を共同で保存する融合画像を必要とする。
しかし、既存の赤外線偏光画像融合(IPIF)法は、しばしば支配的な赤外反応を過度に強調し、暗黒領域における弱いが情報的な偏光テクスチャを抑える。
そこで我々は,低可視性シナリオに挑戦するエネルギー構造協調IPIFフレームワーク IRPol-Fuse を提案する。
提案フレームワークは, 適応赤外偏光アロケーション用偏光アテンションフュージョン, ハイライト誘導赤外保護用赤外光インジェクタ, 偏光テクスチャ復元用偏光テクスチャインジェクタの3つの主要モジュールを含む。
さらに、低視認性および視覚的に隠蔽されたシーンのための専用赤外線偏光評価データセットであるLI-PIを構築した。
LI-PIと公共LCDRSデータセットを用いた実験により、IRPol-Fuseは熱標的保存、構造的詳細回復、視覚的自然性において良好な性能を発揮することが示された。
地域別評価および下流オブジェクト検出により、提案したエネルギー構造調整戦略が、赤外目標塩分と偏光から得られる構造情報の両方を効果的に保存することを確認した。
コードはhttps://github.com/1hzf/IRPolar-Fuseで入手できる。
関連論文リスト
- FaithIR: Rethinking Infrared Image Super-Resolution from Perceptual Sharpness to Task Relevant Fidelity [50.75932774177958]
FaithIRは信頼性の高いマシン認識のための忠実な赤外線超解像度フレームワークである。
FLIR-IISR、M3FD、FMBの実験は、強い再構成忠実度、クロスデータセットの一般化、オブジェクト検出とセマンティックセグメンテーションにおける優れた性能を示す。
論文 参考訳（メタデータ） (2026-08-04T04:23:30Z) - Conditional Polarization Guidance for Camouflaged Object Detection [5.146223292969599]
擬似物体検出のためのRGB特徴学習を制御するための非対称なRGB偏極フレームワークを提案する。
従来の特徴融合戦略とは異なり、提案した条件付き誘導機構は偏光前処理を用いてRGB特徴を動的に変調する。
また、偏光制約下で高周波成分を増強する偏光エッジ誘導周波数改善戦略を導入する。
論文 参考訳（メタデータ） (2026-03-31T17:03:06Z) - Knowledge-Guided Adversarial Training for Infrared Object Detection via Thermal Radiation Modeling [49.887347082863194]
本研究では,異なるクラス間の相対的な熱放射関係を,敵対的事例や共通の腐敗の複雑なシナリオの下で信頼性の高い知識源とみなすことができることを示す。
本稿では,赤外線物体検出のための知識誘導型逆トレーニング(KGAT)を提案する。
論文 参考訳（メタデータ） (2026-03-26T08:43:43Z) - Inference-Time Scaling of Diffusion Models for Infrared Data Generation [1.452875650827562]
赤外線アプリケーションのための視覚モデルの開発は、赤外線アノテーションの専門知識によって妨げられている。
領域適応CLIPベースの検証器を用いて、赤外画像生成品質を向上させる推論時間スケーリング手法を提案する。
KAIST Multispectral Pedestrian Detection Benchmark データセットの FID スコアを10%削減した。
論文 参考訳（メタデータ） (2025-11-10T18:18:38Z) - Multispectral Detection Transformer with Infrared-Centric Feature Fusion [8.762314897895175]
Infrared-Centric Fusion (IC-Fusion) は、軽量でモダリティに配慮したセンサー融合法である。
IC-Fusionは、補完的なRGBセマンティックコンテキストを効果的に統合しながら、赤外線機能を優先する。
FLIRおよびLLVIPベンチマークの実験は、我々のIR中心核融合戦略の有効性と効率性を実証している。
論文 参考訳（メタデータ） (2025-05-21T05:44:14Z) - A High-Performance Thermal Infrared Object Detection Framework with Centralized Regulation [5.935808994536907]
本稿では,CRT-YOLO(CRT-YOLO)と呼ばれる,高効率な熱物体検出フレームワークについて述べる。
提案モデルでは,高効率なマルチスケール赤外アテンションモジュールを統合した。
2つのベンチマークデータセットで行った実験は、我々のCRT-YOLOモデルが従来の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-05-16T03:43:24Z) - Multi-Domain Biometric Recognition using Body Embeddings [51.36007967653781]
身体埋め込みは中波長赤外線(MWIR)領域と長波長赤外線(LWIR)領域の顔埋め込みよりも優れていた。
我々は、IJB-MDFデータセット上でのベンチマーク結果を確立するために、ビジョントランスフォーマーアーキテクチャを活用している。
また, クロスエントロピーとトリプルト損失の単純な組み合わせで, VISデータにのみ事前訓練された体モデルを微調整することで, 最先端のmAPスコアが得られることを示す。
論文 参考訳（メタデータ） (2025-03-13T22:38:18Z) - Bringing RGB and IR Together: Hierarchical Multi-Modal Enhancement for Robust Transmission Line Detection [67.02804741856512]
高速かつ高精度なTL検出のために,RGBとIRデータを統合したHMMEN(Hierarchical Multi-Modal Enhancement Network)を提案する。
提案手法では,(1)階層的RGBおよびIR特徴写像を大まかに融合・拡張するMMEB,(2)デコーダ出力とIR特徴写像の不整合を変形可能な畳み込みを利用して補正するFAB,の2つの重要な構成要素を紹介する。
論文 参考訳（メタデータ） (2025-01-25T06:21:06Z) - Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。
SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。
スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-19T14:24:03Z) - Thermal-NeRF: Neural Radiance Fields from an Infrared Camera [29.58060552299745]
本研究では,IR画像のみからNeRFの形でボリュームシーン表現を推定する最初の方法であるTherial-NeRFを紹介する。
本研究では,既存の方法よりも優れた品質が得られることを示すため,広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-03-15T14:27:15Z) - Unsupervised Misaligned Infrared and Visible Image Fusion via
Cross-Modality Image Generation and Registration [59.02821429555375]
我々は、教師なし不整合赤外線と可視画像融合のための頑健な相互モダリティ生成登録パラダイムを提案する。
登録された赤外線画像と可視画像とを融合させるため,IFM (Feature Interaction Fusion Module) を提案する。
論文 参考訳（メタデータ） (2022-05-24T07:51:57Z)
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。