論文の概要: Improving Complex Moiré Removal with Generative Supervision

• arxiv url: http://arxiv.org/abs/2608.17883v1
• Date: Tue, 18 Aug 2026 15:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.373929
• Title: Improving Complex Moiré Removal with Generative Supervision
• Title（参考訳）: 生成的スーパービジョンによる複合モアレ除去の改善
• Abstract要約: そこで本研究では,複雑なモアレパターンの除去をトレーニング・インスペクションによって改善する新しいデータエンジンを提案する。 我々は6.8Kモアレ-GTトレーニングペアを含むWildMoiréデータセットを構築した。 ESDNet、SDXL、Qwen-Image-Editの実験は、提案された生成的監督が複雑なモアレ除去の性能を一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 43.20836635276404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The availability of high-quality paired data is essential for training learning-based image demoiréing models. However, it remains challenging for existing datasets to encompass the complex moiré patterns captured in uncontrolled real-world scenarios. Such degradations typically manifest as large-scale, multicolored moiré patterns. Moreover, these patterns frequently occur in images for which clean counterparts are difficult to obtain, such as photographs acquired from public displays or existing online resources. In this work, we propose a novel data engine designed to improve the removal of complex moiré patterns by generating training supervision. Specifically, we initially collect real-world images containing complex moiré patterns and localize the corresponding screen regions. Multiple image-conditioned generative foundation models are subsequently deployed to produce candidate references. To establish reliable supervision, these candidates are subjected to patch-level quality control to filter and select the optimal results. Based on this systematic paradigm, we construct the WildMoiré dataset, which contains 6.8K moiré-GT training pairs. For evaluation, we additionally build an independent test set comprising $\sim$250 pairs with captured clean ground truth. Extensive experiments on ESDNet, SDXL, and Qwen-Image-Edit demonstrate that the proposed generative supervision consistently improves the performance of complex moiré removal.
• Abstract（参考訳）: 高品質なペアデータの提供は、学習に基づく画像復号化モデルのトレーニングに不可欠である。 しかし、制御されていない現実世界のシナリオでキャプチャされた複雑なモアレパターンを、既存のデータセットに含めることは依然として困難である。 このような劣化は通常、大規模で多色のモアレパターンとして表される。 さらに、これらのパターンは、公共のディスプレイから取得した写真や既存のオンラインリソースなど、クリーンなものを得るのが難しい画像に頻繁に現れる。 そこで本研究では,複雑なモアレパターンの除去を訓練指導によって行うことを目的として,新しいデータエンジンを提案する。 具体的には、まず、複雑なモアレパターンを含む実世界の画像を収集し、対応するスクリーン領域をローカライズする。 その後、複数の画像条件付き生成基盤モデルがデプロイされ、候補参照を生成する。 信頼性の高い監視を確立するために、これらの候補は、最適な結果のフィルタリングと選択のためにパッチレベルの品質管理を受ける。 この体系的パラダイムに基づいて、6.8Kモアレ-GTトレーニングペアを含むWildMoiréデータセットを構築した。 評価のために、得られたクリーングラウンドの真実と$\sim$250のペアからなる独立したテストセットも構築する。 ESDNet、SDXL、Qwen-Image-Editに関する大規模な実験は、提案された生成的監督が複雑なモアレ除去の性能を一貫して改善することを示した。

関連論文リスト

• Combined Flicker-banding and Moire Removal for Screen-Captured Images [24.036188551666573]
  本研究は,スクリーンキャプチャ画像におけるモアレパターンとフリックバンドの同時除去に関する最初の体系的研究である。 このタスクを支援するために,モアレパターンとフリックバンド処理の両方を含む大規模データセットを構築した。 また,ISPベースのフラッカシミュレーションパイプラインを導入し,モデルトレーニングを安定化し,劣化分布を拡大する。
  論文  参考訳（メタデータ） (2026-02-02T02:53:41Z)
• A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
  我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。 このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。 実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-11-18T14:20:17Z)
• Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
  非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。 本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
  論文  参考訳（メタデータ） (2025-04-14T07:24:03Z)
• Unpaired Deblurring via Decoupled Diffusion Model [55.21345354747609]
  UID-Diffは,未知領域における劣化性能の向上を目的とした生成拡散モデルである。 構造的特徴とぼかしパターン抽出器を別々に用いて, 抽出した特徴は, 合成データに対する教師付きデブロアリングタスクと教師なしのぼかし転送タスクに使用される。 実世界のデータセットの実験では、UID-Diffが既存の最先端の手法よりも、ぼやけた除去と構造保存に優れていることが示されている。
  論文  参考訳（メタデータ） (2025-02-03T17:00:40Z)
• FoundIR: Unleashing Million-scale Training Data to Advance Foundation Models for Image Restoration [66.61201445650323]
  既存の手法は現実のシナリオにおける一般化ボトルネックに悩まされる。 既存のトレーニングデータに対して,2つの大きなメリットがある,100万規模のデータセットをコントリビュートしています。 実世界のシナリオにおいて,より広範囲の復元作業に対処するために,ロバストなモデルFoundIRを提案する。
  論文  参考訳（メタデータ） (2024-12-02T12:08:40Z)
• Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
  マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。 本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。 特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)

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。