論文の概要: HNDiff: Haze-Noise Diffusion for Image Dehazing

• arxiv url: http://arxiv.org/abs/2608.10995v1
• Date: Tue, 11 Aug 2026 14:47:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.088778
• Title: HNDiff: Haze-Noise Diffusion for Image Dehazing
• Title（参考訳）: HNDiff:画像デハージングのためのヘイズノイズ拡散
• Abstract要約: Haze-Noise Diffusion (HNDiff)は、大気散乱モデルを誘導バイアスとして埋め込む新しい拡散フレームワークである。 その前処理では、画像にヘイズとノイズを段階的に付加する、ヘイズを意識したノイズスケジューラを用いたジョイントヘイズ拡散を導入する。 逆のプロセスでは、ヘイズとノイズを同時に除去してクリーンなイメージを復元する物理的に一貫した脱ヘイズ除去プロセスが導出される。
• 参考スコア（独自算出の注目度）: 52.34718859688771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing diffusion-based methods have recently made significant progress in image dehazing. However, they typically neglect the physics of haze formation and reconstruct clean images from pure Gaussian noise, thereby limiting their restoration potential. To address this issue, we propose Haze-Noise Diffusion (HNDiff), a novel diffusion framework that embeds the atmospheric scattering model as an inductive bias. By grounding diffusion in physical principles, HNDiff ensures that the restoration aligns more closely with underlying mechanisms of haze formation. In its forward process, we introduce joint haze-noise diffusion with a haze-aware noise scheduler, which progressively adds both haze and noise to an image. Essentially, the scheduler adapts noise levels according to haze density, meaning that regions with heavier haze receive stronger noise injection to encourage content generation, while clearer regions receive lighter noise to better preserve details, which directly links the forward degradation process with the physics of haze. In the reverse process, we then derive a physically consistent dehazing-denoising process that simultaneously removes haze and noise to restore a clean image in a manner aligned with the forward degradation process. To further enhance practicality, we propose Latent HNDiff, which compiles clean latent priors that can be seamlessly integrated into existing dehazing networks to boost performance. Extensive experiments show that our work significantly improves leading dehazing backbones and achieves state-of-the-art results on benchmark datasets. The project page is available at https://jin-ting-he.github.io/HNDiff .
• Abstract（参考訳）: 既存の拡散法は画像のデハージングに大きく進歩している。 しかし、彼らは通常、ヘイズ形成の物理を無視し、純粋なガウスノイズからクリーンなイメージを再構築することで、回復の可能性を制限する。 この問題に対処するために,大気散乱モデルを誘導バイアスとして埋め込んだ新しい拡散フレームワークであるHaze-Noise Diffusion (HNDiff)を提案する。 物理原理の拡散を基礎にすることで、HNDiffは、修復がヘイズ形成の基盤となるメカニズムとより密に一致していることを保証する。 その前処理では、画像にヘイズとノイズを段階的に付加する、ヘイズを意識したノイズスケジューラを用いたジョイントヘイズ拡散を導入する。 基本的に、スケジューラは、ヘイズ密度に応じてノイズレベルを調整するため、より重いヘイズのある領域はより強いノイズ注入を受け、より鮮明な領域はより軽いノイズを受け、詳細を保存し、前方劣化過程とヘイズの物理を直接関連付ける。 逆のプロセスでは、物理的に一貫した脱ハジング除去プロセスが導出され、同時にヘイズとノイズを除去し、前向きの劣化プロセスと整合してクリーンなイメージを復元する。 さらに実用性を高めるために,既存のデハジングネットワークにシームレスに統合して性能を向上するクリーンな潜伏先をコンパイルするLatent HNDiffを提案する。 大規模な実験により、我々の作業は遅延バックボーンを著しく改善し、ベンチマークデータセットの最先端の結果が得られます。 プロジェクトのページはhttps://jin-ting-he.github.io/HNDiffで公開されている。

関連論文リスト

• SCoRe: Clean Image Generation from Diffusion Models Trained on Noisy Images [6.735480539143566]
  ノイズの多いデータセットでトレーニングされた拡散モデルは、高周波トレーニングアーティファクトを再現し、生成品質を著しく低下させる。 本研究では,ノイズ画像に基づいて学習した拡散モデルからクリーンな画像を生成するための,学習不要なスペクトル再生手法であるSCoReを提案する。
  論文  参考訳（メタデータ） (2026-04-10T15:51:57Z)
• A Noise Constrained Diffusion (NC-Diffusion) Framework for High Fidelity Image Compression [21.919751666534395]
  高忠実度画像圧縮のためのノイズ拘束拡散(NC拡散) NC拡散は、もともと学習画像圧縮に付加された量子化ノイズを拡散の前処理のノイズとして定式化する。 適応周波数領域フィルタリングモジュールは、U-Netベースの拡散アーキテクチャにおけるスキップ接続を強化するために開発された。
  論文  参考訳（メタデータ） (2026-04-08T01:35:15Z)
• BokehDiff: Neural Lens Blur with One-Step Diffusion [62.59018200914645]
  ボケフディフ(BokehDiff)は、物理的に正確で視覚的に魅力的な結果が得られるレンズボウ描画法である。 提案手法では, 画像形成プロセスと整合する自己認識モジュールを物理に着想を得た。 付加雑音を導入することなく1ステップの推論方式に拡散モデルを適応させ,高品質で忠実な結果を得る。
  論文  参考訳（メタデータ） (2025-07-24T03:23:19Z)
• Learning Hazing to Dehazing: Towards Realistic Haze Generation for Real-World Image Dehazing [59.43187521828543]
  本稿では,現実的なヘイズ画像生成フレームワーク(HazeGen)と拡散に基づくデハズ・フレームワーク(DiffDehaze)からなる,新しいヘイズ・デハズ・パイプラインを紹介する。 HazeGenは、事前訓練されたテキスト-画像拡散モデルに埋め込まれた実世界のハジー画像の堅牢な生成拡散先を利用する。 HazeGenは、特殊なハイブリッドトレーニングと混合サンプリング戦略を採用することで、DiffDehazeの高品質なトレーニングデータとして、現実的で多様なハジーイメージを生成する。
  論文  参考訳（メタデータ） (2025-03-25T01:55:39Z)
• RDEIC: Accelerating Diffusion-Based Extreme Image Compression with Relay Residual Diffusion [29.277211609920155]
  Relay Residual Diffusion Extreme Image Compression (RDEIC)を提案する。 まず, 純雑音ではなく, 付加雑音を付加した画像の圧縮潜時特徴を出発点として, 復調過程の不要な初期段階を除去する。 RDEICは、最先端の視覚的品質を実現し、既存の拡散に基づく極端画像圧縮手法よりも忠実さと効率性が優れている。
  論文  参考訳（メタデータ） (2024-10-03T16:24:20Z)
• Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise [34.65659277870287]
  微分拡散モデルの研究は、画像復元の分野への応用を拡大した。 本稿では,残余項を拡散前進過程に組み込むフレームワークであるResfusionを提案する。 Resfusionは, ISTDデータセット, LOLデータセット, Raindropデータセットに対して, わずか5つのサンプリングステップで競合性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-11-25T02:09:38Z)
• SVNR: Spatially-variant Noise Removal with Denoising Diffusion [43.2405873681083]
  本稿では,より現実的で空間的変動のある雑音モデルを想定した,微分拡散の新たな定式化について述べる。 実験では,強い拡散モデルベースラインに対するアプローチの利点と,最先端の単一画像復号法に対するアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-28T09:32:00Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)

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。