論文の概要: Uncertainty-Guided Adverse Weather Restoration via Gated Transformer Network

• arxiv url: http://arxiv.org/abs/2609.02434v1
• Date: Wed, 02 Sep 2026 10:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.238011
• Title: Uncertainty-Guided Adverse Weather Restoration via Gated Transformer Network
• Title（参考訳）: ゲート型変圧器ネットワークによる不確実性誘導逆気象復旧
• Authors: Zheke Jin, Yuning Cui, Tianle Jin, Alois Knoll, Hu Cao,
• Abstract要約: 悪天候により劣化した画像の復元は、空間的に不均一な劣化のため、依然として困難である。 本論文では,ゲートトランスとマルチスケールスキップ接続を融合した非確実性誘導型逆ウェザー修復ネットワーク(UAR-Net)を提案する。 提案手法は,複数の悪天候ベンチマークにまたがる最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 35.350043473549405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Restoring images degraded by adverse weather remains challenging due to spatially heterogeneous degradations. Many existing weather-specific restoration models rely on weather-agnostic global aggregation, naive cross-scale fusion, and deterministic objectives, which struggle to handle heterogeneous degradations in all-in-one adverse-weather settings. To address these limitations, we propose an Uncertainty-guided Adverse-weather Restoration Network (UAR-Net), a weather-specific AiO framework that integrates a gated transformer with balanced multi-scale skip connections. Specifically, we employ Gated Dual-scale Transformer Blocks (GDTB) to jointly model selective global interactions and multi-scale local structures, a progressive Balanced Multi-scale Skip Connection (BMSC) for balanced multi-scale feature integration, and an Uncertainty-Aware Refinement Head (URH) that performs artifact removal, detail enhancement, and predictive uncertainty estimation. The model is supervised by a Brightness-Aware Energy Loss (BAE-Loss) to encourage accurate reconstruction with well-calibrated uncertainty. Extensive experiments demonstrate that our method achieves state-of-the-art performance across multiple adverse-weather benchmarks. The codes will open source upon acceptance.
• Abstract（参考訳）: 悪天候により劣化した画像の復元は、空間的に不均一な劣化のため、依然として困難である。 既存の気象固有の復元モデルの多くは、天候に依存しないグローバルアグリゲーション、単純で大規模な融合、そして決定論的目的に依存しており、これは、オールインワンの悪天候環境での不均一な劣化を扱うのに苦労している。 これらの制約に対処するため,気象特化AiOフレームワークであるUncertainty-Guided Adverse-Weather Restoration Network (UAR-Net)を提案する。 具体的には、Gated Dual-scale Transformer Blocks (GDTB) を用いて、選択的グローバルインタラクションとマルチスケールローカル構造を共同でモデル化し、バランスの取れたマルチスケール機能統合のためのプログレッシブ・バランスド・マルチスケール・スキップ接続 (BMSC) と、アーティファクト除去、詳細強化、予測不確実性推定を行う不確実性認識保持ヘッド (URH) を用いている。 このモデルはBrightness-Aware Energy Loss (BAE-Loss) によって管理されており、精度の高い不確実性を伴う正確な再構築を促進する。 大規模な実験により,本手法は複数の悪天候ベンチマークにまたがって最先端の性能を実現することが示された。 コードは受理後、オープンソース化される。

関連論文リスト

• CoRE-UIR: Prior-guided common and residual experts for efficient all-in-one remote sensing image restoration [23.98937821382067]
  CoRE-UIR(Common and Residual Experts for Universal Image Restoration)は、Common-and-Residual Expert Block(CoRE)を中心とした先進的なグローバルローカルフレームワークである。 CoREは、回復能力を、劣化不変の回復のための一般的な高密度専門家と、劣化特異的な補償のための低レベルの残留専門家に分解し、冗長な専門家複製なしで適応的な特殊化を可能にする。 実験の結果、CoRE-UIRは平均PSNRを1.05dB改善し、11.83$times$高速に動作し、ピークメモリを85.3%削減した。
  論文  参考訳（メタデータ） (2026-07-30T09:14:08Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• PVRF: All-in-one Adverse Weather Removal via Prior-modulated and Velocity-constrained Rectified Flow [69.40969296005794]
  そこで本研究では,ゼロショット型軟弱感と速度制約付き整流補正を統合した統合フレームワークを提案する。 PVRFは、最先端のベースラインよりも忠実さと知覚品質の両方を改善する。
  論文  参考訳（メタデータ） (2026-05-13T19:07:14Z)
• NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
  劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。 特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
  論文  参考訳（メタデータ） (2026-03-28T10:46:29Z)
• CAWM-Mamba: A unified model for infrared-visible image fusion and compound adverse weather restoration [8.400835004298624]
  MMIF(Multimodal Image Fusion)は、様々なモダリティからの補完情報を統合して、より明瞭で情報に富んだ画像を生成する。 既存の悪天候融合法は、ヘイズ、雨、雪などの単一タイプの劣化に対処し、複数の劣化が共存すると失敗する。 本稿では,画像融合と複合気象復元を共同で行う最初のエンドツーエンドフレームワークである複合逆気象マンバを提案する。
  論文  参考訳（メタデータ） (2026-03-03T03:27:05Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning [30.62082910458533]
  マルチウェザー条件下での教師なし画像復元は根本的だが未発見の課題である。 気象の回復を双方向の劣化コンテンツ翻訳サイクルとして再構成する統合フレームワークである textbfWeatherCycle を提案する。 本手法は, 複雑な気象劣化に対する強い一般化を図りながら, 教師なしアプローチの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-09-27T06:44:27Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• Gradient as Conditions: Rethinking HOG for All-in-one Image Restoration [23.153283910821862]
  古典的勾配表現としての向き付け勾配(HOG)のヒストグラムは、様々な劣化に対して強い識別能力を有する。 本稿では,学習可能なHOG機能を統合した変換器モデルHOGformerを提案する。 HOGformerは最先端のパフォーマンスを実現し、複雑な現実世界のシナリオを一般化する。
  論文  参考訳（メタデータ） (2025-04-12T23:52:59Z)
• Restoring Images Captured in Arbitrary Hybrid Adverse Weather Conditions in One Go [2.0054257354429925]
  本稿ではRAHCと呼ばれる新しい統合フレームワークについて述べる。 また、任意のハイブリッド逆条件の復元を学習し、ベンチマークするための新しいデータセットであるHACを構築した。
  論文  参考訳（メタデータ） (2023-05-17T06:42:42Z)

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。