論文の概要: FluidRain: Incompressible Rain Flow as an Attention Bias for Loop-in-Loop Video Deraining

• arxiv url: http://arxiv.org/abs/2609.29006v1
• Date: Thu, 24 Sep 2026 04:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.71113
• Title: FluidRain: Incompressible Rain Flow as an Attention Bias for Loop-in-Loop Video Deraining
• Title（参考訳）: FluidRain:ループ・イン・ループ・ビデオ・デライニングの注意点としての非圧縮性降雨流
• Abstract要約: FluidRainは、ダイバージェンスのない雨の流れを使って、スケールや近隣のフレームにループインループの注意を誘導する軽量ビデオデレーナーである。 4つのベンチマーク実験により、FluidRainは、かなり大きな復元モデルと競合し続けていることが示されている。 また、クリーンな目標を必要とせずに実線除去を評価する物理ベースのノリフレクション指標を開発した。
• 参考スコア（独自算出の注目度）: 58.366095609928486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing video deraining methods typically exploit neighboring frames through either explicit alignment or implicit spatiotemporal aggregation. Explicit alignment relies on accurate motion estimation, which can become unreliable under dense rain, while implicit aggregation avoids alignment but lacks explicit guidance on the directional and temporally coherent structure of rain. This leaves a gap between reliable temporal aggregation and explicit modeling of rain motion. To address these limitations, we propose FluidRain, a lightweight video derainer that uses divergence-free rain flow to guide Loop-in-Loop attention across scales and neighboring frames. Motivated by fluid mechanics, we model rain motion as a divergence-free image-space flow and use it to organize multi-scale and temporal aggregation. Specifically, FluidRain first estimates a rain-flow field for each frame and projects it onto the divergence-free subspace. The resulting flow steers window attention along rain streaks, enabling neighboring frames to be aggregated without explicit alignment. Since rain-flow structure is preserved across scales and nearby frames, Loop-in-Loop reuses the same attention operator across both dimensions, resulting in a three-frame model with only 0.80M parameters. Experiments on four benchmarks show that FluidRain remains competitive with substantially larger restoration models. We further examine how temporal evidence scales with different input views. To evaluate whether the model remains reliable when rain motion changes across frames, we introduce RainSyn-Gust, which injects controlled changes in rain-streak direction into existing benchmarks. We also develop a physics-based no-reference metric that evaluates real-rain removal without requiring clean targets.
• Abstract（参考訳）: 既存のビデオデラリニング手法は、通常、明示的なアライメントまたは暗黙の時空間アグリゲーションを通じて隣接するフレームを利用する。 暗黙のアグリゲーションはアライメントを避けるが、雨の方向と時間的に一貫性のある構造について明確なガイダンスが欠けている。 このことは、信頼できる時間的集合と雨の動きの明示的なモデリングの間にギャップを残している。 これらの制約に対処するため,偏差のない降雨流を用いてループ・イン・ループの注意をスケールや隣接するフレームに誘導する軽量ビデオデレーナであるFluidRainを提案する。 流体力学によって動機づけられた降雨運動を拡散のない画像空間の流れとしてモデル化し,それを多スケール・時間的アグリゲーションの組織化に利用する。 具体的には、FluidRainはまず各フレームの雨流場を推定し、分岐のない部分空間に投影する。 その結果、雨道に沿って窓の注意を喚起し、隣接するフレームを明示的なアライメントなしで集約することが可能になる。 レインフロー構造はスケールや近くのフレームで保存されるため、Loop-in-Loopは両方の次元で同じ注意演算子を再利用し、0.80Mパラメータしか持たない3フレームモデルとなる。 4つのベンチマークでの実験では、FluidRainは、かなり大きな復元モデルと競合し続けている。 さらに、異なる入力ビューで時間的エビデンスがどのようにスケールするかについても検討する。 モデルがフレーム間で降雨運動が変化しても信頼性が保たれるかどうかを評価するため,既存のベンチマークに降雨方向の制御変化を注入するRainSyn-Gustを導入する。 また、クリーンな目標を必要とせずに実線除去を評価する物理ベースのノリフレクション指標を開発した。

関連論文リスト

• RainDancer: RGB-Event Video Deraining with Rain-Oriented Spiking Dynamics [93.19893734404417]
  ビデオデラリニングは、悪天候下での信頼性の高い知覚のために、雨の多いビデオからクリーンな視覚コンテンツを回復することを目的としている。 既存の手法は主にRGBシーケンスと時間的冗長性に依存しているが、動的雨の場面ではRGBのみの復元はあいまいである。 本研究では,分解前相互作用パラダイムに基づくプログレッシブなRGBイベントビデオデライニングフレームワークであるRainDancerを提案する。
  論文  参考訳（メタデータ） (2026-07-15T13:08:21Z)
• Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
  本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。 マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。 降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-22T15:50:00Z)
• SpikeDerain: Unveiling Clear Videos from Rainy Sequences Using Color Spike Streams [49.34425133546994]
  雨の映像から鮮明なフレームを復元することは、暴風雨の急激な動きによって大きな課題となる。 従来のフレームベースの視覚センサーは、シーンのコンテンツを同期的にキャプチャする。 本研究では,ダイナミックシーンのスパイクストリームを再構築し,雨害を正確に除去できるカラースパイクストリームレイニングネットワーク(SpikeDerain)を提案する。
  論文  参考訳（メタデータ） (2025-03-26T08:28:28Z)
• RainMamba: Enhanced Locality Learning with State Space Models for Video Deraining [14.025870185802463]
  我々は,シーケンスレベルのローカル情報をよりよくキャプチャするための,新しいヒルベルト機構を備えた改良されたSSMベースのビデオデライニングネットワーク(RainMamba)を提案する。 また,提案したネットワークのパッチレベルの自己相似学習能力を高めるために,差分誘導動的コントラスト学習戦略を導入する。
  論文  参考訳（メタデータ） (2024-07-31T17:48:22Z)
• Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework [16.59494337699748]
  単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。 ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。 基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-19T16:14:10Z)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)

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。