論文の概要: STAR: Structure-aware Test-time Adaptation for diffusion-based light field Reconstruction

• arxiv url: http://arxiv.org/abs/2609.19747v1
• Date: Thu, 17 Sep 2026 06:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.120919
• Title: STAR: Structure-aware Test-time Adaptation for diffusion-based light field Reconstruction
• Title（参考訳）: STAR:拡散型光場再構成のための構造認識テスト時間適応
• Abstract要約: 拡散型光場再構成(STAR)のための構造認識テスト時間適応法を提案する。 試験LF毎に、STARは予め訓練された拡散を凍結し、3つの軽量アダプタを観測された焦点スタックに適合させる。 STARは2フォーカスと3フォーカスの両方の設定で既存の最先端の手法より優れています。
• 参考スコア（独自算出の注目度）: 5.458562210000405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Light field (LF) reconstruction from limited and noisy focal stack (FS) measurements is a highly ill-posed inverse problem. Although the LF-to-FS imaging geometry is fixed for a given optical setup, LF spatial-angular structure---including within-view spatial details, cross-view angular dependencies, and disparity across views---varies across scenes. Consequently, a fixed pre-trained prior may not optimally capture the spatial-angular structure of each test LF. We propose Structure-aware Test-time Adaptation for diffusion-based light field Reconstruction (STAR), the first test-time adaptation framework for reconstructing an LF from FS. For each test LF, STAR freezes a pre-trained diffusion prior and fits three lightweight adapters to the observed FS to jointly adapt the three components of the LF's spatial-angular structure. STAR outperforms existing state-of-the-art methods in both two- and three-focal-sheet settings, with shorter inference times than those with test-time parameter updates.
• Abstract（参考訳）: 光場(LF)のリミテッドおよび雑音性焦点スタック(FS)測定による再構成は、非常に不適切な逆問題である。 LF-to-FS画像幾何学は、所定の光学的設定に対して固定されているが、LF空間角構造 - 内部ビューの空間的詳細、横ビューの角度依存性、ビュー間の相違 - シーン間の相違を含む。 その結果、固定事前訓練された前者は、各試験LFの空間角構造を最適に捕捉できない。 本研究では,FS からLF を再構成する最初のテスト時間適応フレームワークである拡散型光電場再構成 (STAR) のための構造対応型テスト時間適応法を提案する。 各試験LFに対して、STARは予め訓練された拡散を凍結し、観測されたFSに3つの軽量アダプタを適合させ、LFの空間角構造の3つのコンポーネントを共同で適応させる。 STARは2と3のフォーカスシート設定で既存の最先端メソッドよりも優れており、テスト時間パラメータ更新よりも推論時間が短い。

関連論文リスト

• SphereSOD: Geometry-Structure Coupled Learning for 360 Salient Object Detection [75.77856258186854]
  360度高解像度物体検出は、全視野にわたって高解像度領域を正確に分割することを目的としている。 既存の手法は主に、パノラマ幾何学と健全な物体構造との相互作用を見越しながら、投影歪みを補正することに焦点を当てている。 SphereSODは、パノラマ幾何学と進化する塩分構造を結合したERPネイティブフレームワークである。
  論文  参考訳（メタデータ） (2026-09-07T14:47:54Z)
• Enhancing Underwater Light Field Images via Global Geometry-aware Diffusion Process [93.00033672476206]
  GeoDiff-LFは、SD-Turbo上に構築された新しい拡散ベースのフレームワークで、水中4次元LFイメージングを強化する。 拡散先行とLF幾何を統合することにより、GeoDiff-LFは水中のシーンにおける色歪みを効果的に緩和する。
  論文  参考訳（メタデータ） (2026-01-29T02:27:22Z)
• Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
  我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。 本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。 実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T16:18:32Z)
• Diffusion-based Light Field Synthesis [50.24624071354433]
  LFdiffは、LF合成に適した拡散ベースの生成フレームワークである。 本稿では,遠絡型雑音推定ネットワークDistgUnetを提案する。 広範囲な実験により、LFdiffは視覚的に快く、不均一に制御可能な光電場を合成する際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） (2024-02-01T13:13:16Z)
• Phase Guided Light Field for Spatial-Depth High Resolution 3D Imaging [36.208109063579066]
  3Dイメージングでは、光界カメラは通常単発で、空間解像度と深度精度の低下に悩まされる。 そこで本研究では,オフザシェルフ光場カメラの空間分解能と深度を両立させる位相誘導光場アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-17T15:08:15Z)
• Deep Anti-aliasing of Whole Focal Stack Using its Slice Spectrum [7.746179634773142]
  本研究の目的は,スパース3次元光場から発生する全焦点スタックのエイリアス効果を除去することである。 まず,焦点スタックスライスに埋め込まれた構造特性とその周波数領域表現について検討する。 我々はまた、FSSのエネルギー分布が常に異なる角度サンプリングレートの下で同じ三角形領域内に位置することを観察する。
  論文  参考訳（メタデータ） (2021-01-23T05:14:49Z)
• Deep Selective Combinatorial Embedding and Consistency Regularization for Light Field Super-resolution [93.95828097088608]
  ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。 LF画像の高次元特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。 本稿では,LFサブアパーチャ画像間のコヒーレンスを探索するための,新しい学習ベースLF空間SRフレームワークを提案する。 合成および実世界のLFデータセットに対する実験結果は、最先端手法に対する我々のアプローチの顕著な利点を示している。
  論文  参考訳（メタデータ） (2020-09-26T08:34:37Z)
• Light Field Spatial Super-resolution via Deep Combinatorial Geometry Embedding and Structural Consistency Regularization [99.96632216070718]
  ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。 LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。 本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-05T14:39:57Z)

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。