論文の概要: Degraded Infrared Small Object Detection via Degradation-Adapted Physics-Guided Restoration

• arxiv url: http://arxiv.org/abs/2608.09311v2
• Date: Sun, 16 Aug 2026 03:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.021858
• Title: Degraded Infrared Small Object Detection via Degradation-Adapted Physics-Guided Restoration
• Title（参考訳）: 劣化適応型物理誘導再生による劣化赤外小物体検出
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.19979819532141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small object detection has made significant progress in recent years. However, degradations such as fog and nonuniformity can suppress target-background contrast, substantially increasing detection difficulty. Existing methods mainly rely on image restoration as preprocessing, but they are typically designed for specific degradation types and fail to generalize to varying degradations. To alleviate this, we propose DAISOD, a degradation-adapted infrared small object detection framework for robust detection under different degradations. DAISOD first identifies the type and severity of degradations, then adapts the processing via dedicated branches, and finally fuses the results for subsequent detection. Moreover, a physics-guided restoration mechanism is incorporated to explicitly estimate degradation parameters and remove degradation effects through physical models, avoiding excessive restoration that may erase small targets. Moreover, we construct a degraded infrared small object detection dataset covering diverse degradation types and levels. Extensive experiments show that DAISOD outperforms state-of-the-art methods under various degradation conditions.
• Abstract（参考訳）: 近赤外小天体検出は近年大きな進歩を遂げている。 しかし、霧や不均一性などの劣化は、目標/背景のコントラストを抑え、検出の困難を著しく増大させる。 既存の方法は、主に前処理として画像復元に依存しているが、通常、特定の劣化タイプのために設計されており、様々な劣化に対して一般化に失敗する。 そこで本研究では,分解度が異なる場合のロバスト検出のための,劣化適応型赤外線小物体検出フレームワークDAISODを提案する。 DAISODはまず、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し、最後に結果を融合して、その後に検出する。 さらに、物理誘導型復元機構を導入して、劣化パラメータを明示的に推定し、物理モデルによる劣化効果を除去し、小さなターゲットを消去する過剰な復元を回避する。 さらに, 多様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。 DAISODは様々な劣化条件下で最先端の手法より優れていた。

関連論文リスト

• Self-Aware Object Detection via Degradation Manifolds [3.8265249634979734]
  安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。 劣化多様体に基づく自己認識フレームワークを提案する。 本手法は,コントラスト学習により訓練された軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。
  論文  参考訳（メタデータ） (2026-02-20T17:58:46Z)
• Enhancing Infrared Vision: Progressive Prompt Fusion Network and Benchmark [58.61079960074608]
  既存の赤外線画像強調法は、個々の劣化に対処することに焦点を当てている。 一般的にRGBセンサーに適用されるオールインワンエンハンスメント法は、有効性が制限されることが多い。
  論文  参考訳（メタデータ） (2025-10-10T12:55:54Z)
• PhyDAE: Physics-Guided Degradation-Adaptive Experts for All-in-One Remote Sensing Image Restoration [8.834663340762562]
  複雑で不均一な劣化は、画像の品質と下流の解釈タスクに深刻な課題を引き起こす。 本稿では物理誘導型劣化適応エキスパート(PhyDAE)を提案する。 暗黙的な特徴から明示的な決定信号に分解情報を変換する2段階のカスケードアーキテクチャを用いる。 PhyDAEは、パラメータ数と計算複雑性を大幅に削減しながら、復元品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-09T08:14:24Z)
• UniDet-D: A Unified Dynamic Spectral Attention Model for Object Detection under Adverse Weathers [44.00242927775847]
  各種気象条件下での物体検出に挑戦する統合フレームワークUniDet-Dを提案する。 具体的には、UniDet-Dは、非関連成分を抑えつつ、情報的スペクトル成分を適応的に強調するダイナミックスペクトルアテンション機構を組み込んでいる。 広汎な実験により、UniDet-Dは各種の悪天候劣化に対して優れた検出精度が得られることが示された。
  論文  参考訳（メタデータ） (2025-06-14T03:23:29Z)
• Diffusion Image Prior [19.263005158979567]
  私たちはDeep Image Prior(DIP)[16]からインスピレーションを受けています。 このように、DIIPの最適化プロセスは、まず画像のクリーンバージョンを再構築し、最終的に劣化した入力に過度に適合することを示す。 この結果を踏まえて,劣化モデルの事前知識を必要としない早期停止に基づくブラインド画像復元手法を提案する。
  論文  参考訳（メタデータ） (2025-03-27T11:52:37Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• Neural Degradation Representation Learning for All-In-One Image Restoration [44.222096739644655]
  複数の劣化に対処するオールインワン画像復元ネットワークを提案する。 我々は、様々な劣化の基盤となる特徴を捉える神経分解表現(NDR)を学習する。 我々は,NDRに基づく特定の劣化を効果的に認識し,活用するための劣化クエリモジュールと劣化インジェクションモジュールを開発した。
  論文  参考訳（メタデータ） (2023-10-19T15:59:24Z)
• 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)

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。