論文の概要: RMR-Net: Degradation-Evidence-Guided Road-Image Restoration for Defect Detection

• arxiv url: http://arxiv.org/abs/2608.08957v1
• Date: Sun, 09 Aug 2026 23:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.004505
• Title: RMR-Net: Degradation-Evidence-Guided Road-Image Restoration for Defect Detection
• Title（参考訳）: RMR-Net:欠陥検出のための劣化証拠誘導道路画像復元
• Abstract要約: 車両に搭載された道路カメラは、動きのぼやけ、デフォーカス、照明の悪さ、騒音に弱い。 本稿では、画像から劣化証拠を推定するコンパクトなタスク対応復元フロントエンドRMR-Netを提案する。
• 参考スコア（独自算出の注目度）: 7.113634146190752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle-mounted road cameras are vulnerable to motion blur, defocus, poor illumination, and noise, which can erase thin cracks and pothole boundaries needed by road defect detectors. This paper presents RMR-Net, a compact task-aware restoration front end that estimates degradation evidence from the image, optionally fuses it with existing corruption context/parameters, conditions lightweight restoration blocks, and returns high-frequency pavement detail through a bounded residual path. The experimental scope is deliberately controlled: the conditioning information used on the Image and Vision Computing New Zealand (IVCNZ) pothole dataset and the Road Damage Dataset: Potholes, Cracks and Manholes (PCM) consists of saved synthetic-generator parameters, not measured vehicle telemetry. A clean-trained, frozen YOLO11s detector evaluates every image source. Across eight held-out degradation conditions, RMR-Net obtains the highest mAP50 in seven, including 0.140-0.427 for IVCNZ motion blur and 0.060-0.233 for PCM defocus. A compact ablation identifies the bounded detail path as the largest local contributor, while degradation conditioning and detector-aware stability terms provide complementary guidance.
• Abstract（参考訳）: 車両に搭載された道路カメラは、動きのぼやけ、デフォーカス、照明の悪さ、騒音に弱いため、道路欠陥検知器が必要とする細い亀裂や穴の境界を消し去ることができる。 本稿では,画像から劣化証拠を推定する小型タスク対応復元フロントエンドRMR-Netを提案する。 実験範囲は意図的に制御されており、画像とビジョンコンピューティングニュージーランド(IVCNZ)のポットホールデータセットと道路損傷データセット(Potholes, Cracks and Manholes, PCM)で使用される条件付け情報は、車載テレメトリーではなく、保存された合成発電機パラメータで構成されている。 クリーントレーニングされた凍ったYOLO11s検出器は、すべての画像ソースを評価する。 8つのホールドアウト劣化条件の中で、RMR-Net は IVCNZ の運動ぼかしの 0.140-0.427 と PCM のデフォーカスの 0.060-0.233 を含む7つの最も高い mAP50 を得る。 コンパクトアブレーションは、境界ディテールパスを最大の局所的コントリビュータとして特定する一方で、劣化条件付けと検出器対応安定性条件は相補的なガイダンスを提供する。

関連論文リスト

• Feature Recovery for Object Understanding After Irreversible Fire Damage [39.456182603258156]
  本稿では,火後オブジェクト理解のための変換対応ベンチマークであるTRACEを紹介する。 TRACEには21.4Kの実像合成シーンと2組のオブジェクトレベルのプリスチン分解プログレッションが含まれている。 局所化と事前劣化の理解を目的とした5つのタスクを定義する: 劣化対象検出, 原始状態回復と検索, 原材料回収, 原始記述生成, 機能的推論。
  論文  参考訳（メタデータ） (2026-09-10T18:07:01Z)
• Bridge Damage Detection from Low-Light UAV Imagery via Degradation-Aware Mixture-of-Experts Enhancement [7.7452074807686095]
  貧弱な照明は、UAVブリッジ画像の小さな低コントラスト欠陥を曖昧にし、自動検査の信頼性と操作性を減らす。 本稿では, 劣化認識画像復元が低光環境下での橋梁損傷検出と, 合成劣化から実検現場への移動を改善できるかどうかについて検討する。 ISPを意識した低光合成パイプラインでトレーニングされた検出器非依存の復元フロントエンドであるDaL-MoEを提案する。
  論文  参考訳（メタデータ） (2026-08-24T11:42:26Z)
• Degraded Infrared Small Object Detection via Degradation-Adapted Physics-Guided Restoration [27.19979819532141]
  DAISODは劣化適応型赤外線小物体検出フレームワークである。 まず、分解のタイプと重大さを特定し、その後、専用のブランチで処理を適応させ、最後に結果を融合して後から検出する。 我々は、様々な劣化タイプとレベルをカバーする劣化赤外小物体検出データセットを構築した。
  論文  参考訳（メタデータ） (2026-08-10T08:54:46Z)
• REVIVE: A Multi-Modal Framework for Vandalism Detection and Recovery in Autonomous Vehicles [0.6445605125467572]
  本稿では,視覚能力向上のためのVandalized Image for Vision Excellence(REVIVE)フレームワークの回復と拡張について述べる。 これは、バイナリVOA検出、(2)マルチクラスVOAパターン識別、(3)効率の良いNetベースのU-Netセグメンテーション、(4)タイプ認識リカバリを統合している。 500個の追跡されたクリーン/バンダライズされた画像対において、未発見のVOAsはYOLOv8lのオブジェクト検出リコールを0.588に削減し、直接のピクセル置換は0.967とF1スコアを0.970にリコールした。
  論文  参考訳（メタデータ） (2026-07-06T21:25:41Z)
• DRIVE-C: A Controlled Corruption Dataset for Autonomous Driving [0.0]
  DRIVE-Cは、自律運転システムの視覚知覚を評価するために設計された制御された汚職データセットである。 昼間、夜間、都市部、農村部、高速道路、駐車場で収集された現実の前方向け運転ビデオから構築されている。 データセットには、10のクリーンクリップと600の破損したクリップが含まれ、5つの深刻度レベルにわたる12のカメラ劣化タイプにまたがる。
  論文  参考訳（メタデータ） (2026-05-10T21:36:56Z)
• ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction [60.873186669266836]
  シングルイメージHDR再構成は,単一低ダイナミックレンジ(LDR)入力から高ダイナミックレンジの放射率を回復することを目的としている。 ExpoCMは,HDR再構成をPF-ODE(Probability Flow ODE)として再構成し,露出依存摂動による露出認識整合性トラジェクトリを構築する,新しい一段階のHDR再構成フレームワークである。 HDR-REAL、HDR-EYE、AIM2025ベンチマークの実験は、ExpoCMが最先端の忠実性を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-04T11:06:49Z)
• Mapping License Plate Recoverability Under Extreme Viewing Angles for Oppor-tunistic Urban Sensing [40.12543056558646]
  都市環境にはATM、ボディウーン、CCTV、ダッシュボードカメラなど、特定の目的のために作られた多くのイメージングセンサーが含まれている。 AIベースの復元の最近の進歩は、過度に劣化した画像からでも、使い勝手の良い情報を復元することができる。 本稿では,この境界値の定量化のためのタスク非依存手法であるリカバリ可能性マップを紹介する。
  論文  参考訳（メタデータ） (2026-04-26T17:28:01Z)
• Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse [2.812291464467386]
  光音響トモグラフィ(PAT)は、光学コントラストと超音波分解能を組み合わせた新しい画像モダリティである。 本研究では,地中構造データを必要とすることなく,有限サイズの検出器効果に対処するNoisier2Inverseに基づく自己教師型再構成手法を提案する。 提案手法はノイズ測定を直接処理し,高画質のPAT画像を地道な方法で復元する方法を学習する。
  論文  参考訳（メタデータ） (2026-04-17T04:07:11Z)
• Fast reconstruction-based ROI triggering via anomaly detection in the CYGNO optical TPC [0.0]
  高速な関心領域抽出のための教師なし・再構成に基づく異常検出戦略を提案する。 学習目的のみが異なる2つの台座学習オートエンコーダ構成を比較した。 最良の構成は、画像領域を破棄する(97.8 +/-0.1)%で再構成された信号強度の(93.0 +/-0.2)%を保持し、コンシューマGPUでは1フレームあたり約25msである。
  論文  参考訳（メタデータ） (2025-12-30T15:28:18Z)
• AIM 2025 Low-light RAW Video Denoising Challenge: Dataset, Methods and Results [118.03343690763597]
  本稿では,AIM 2025 (Advances in Image Manipulation) Low-Light RAW Video Denoising Challengeについて述べる。 本研究の目的は,フレームレートによる露光時間制限下での時間的冗長性を利用して,低照度RAW映像をノイズ化する手法を開発することである。 9つの条件で14個のスマートフォンカメラセンサーでキャプチャされた756個の10フレームシーケンスのベンチマークを新たに導入する。
  論文  参考訳（メタデータ） (2025-08-22T23:02:21Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Real-Time Blind Defocus Deblurring for Earth Observation: The IMAGIN-e Mission Approach [55.2480439325792]
  この研究は、ISSのIMAGIN-eミッションの地球観測画像の機械的デフォーカスに対処する。 提案手法は,Sentinel-2データを用いてデフォーカスカーネルを推定し,GANフレームワーク内で復元モデルをトレーニングする。 このアプローチは現在、IMAGIN-eミッションで展開されており、運用宇宙環境における実用性を実証している。
  論文  参考訳（メタデータ） (2025-05-28T08:52:38Z)
• Decouple to Reconstruct: High Quality UHD Restoration via Active Feature Disentanglement and Reversible Fusion [77.08942160610478]
  超高精細画像復元(UHD)は、高解像度のため、しばしば計算ボトルネックや情報損失に直面している。 本稿では,より難解な劣化情報を潜時空間に符号化しながら,容易に復元可能な背景情報を破棄する制御付き微分遠絡型VAEを提案する。 提案手法は,UHD画像復元の精度を向上し,UHD画像復元の6つの課題を1Mパラメータのみで実現し,VAEモデルにおける情報損失問題を効果的に軽減する。
  論文  参考訳（メタデータ） (2025-03-17T02:55:18Z)
• Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
  本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。 ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2024-05-11T13:14:43Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Multi Visual Modality Fall Detection Dataset [4.00152916049695]
  転倒は、世界中の高齢者の怪我による死亡の主な原因の1つだ。 効果的なフォールの検出は、合併症や怪我のリスクを減らすことができる。 しかし、通常のRGBカメラは照明条件やプライバシーの懸念によって影響を受ける。
  論文  参考訳（メタデータ） (2022-06-25T21:54:26Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。