論文の概要: The Domain Is a Residue: Adapting Self-Supervised Features, Not Generators

• arxiv url: http://arxiv.org/abs/2609.37330v1
• Date: Tue, 29 Sep 2026 12:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.456775
• Title: The Domain Is a Residue: Adapting Self-Supervised Features, Not Generators
• Title（参考訳）: ドメインは、ジェネレータではなく、自己監視機能に適応する
• Abstract要約: 本稿では、天気、照明、レンダリングスタイルを移動させるための表現特徴適応器(RFA)を提案する。 RFAはアダプタと識別器のみを訓練し、すべての条件で一度訓練されたエンコーダと特徴条件付きデコーダは凍結したままである。 霧や夜のKID、雪、雨、干し草の騒音のレベルの両方で先行している。
• 参考スコア（独自算出の注目度）: 5.5070022457685335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clearing fog, rain or snow from footage, or turning renders into photographs, must remove the source domain and keep the scene. Unpaired translators carry it through because their generator sees the source appearance (pixels, a near-invertible latent or a control map) and keeps it. A DINO feature map fixes what is in the scene and carries weather, lighting and rendering style as a residue of 13 to 14% of the feature norm. We propose the Representation Feature Adapter (RFA), a 2.9M-parameter network that moves this residue. We train only the adapter and its discriminators; the encoder and a feature-conditioned decoder, trained once for all conditions, stay frozen. Against CycleGAN-Turbo it is ahead on both metrics on fog and on KID on night, and level within noise on snow, rain and haze. On sim-to-real it leads REGEN and HyPER-GAN on both metrics. Only the RFA removes the rain while keeping the scene. The removal costs scene structure: CycleGAN-Turbo keeps more on every condition but fog. On VAE latents the identical adapter collapses to the identity, and decoders from other groups that never saw it render its output. The RFA has about 160 times fewer trainable parameters than CycleGAN-Turbo and under a fifth of its per-condition training time.
• Abstract（参考訳）: 霧や雨、雪を映像から取り除き、レンダリングを写真に変えるには、ソースドメインを削除し、シーンを維持する必要がある。 アンペアトランスレータは、ジェネレータがソースの外観(ピクセル、ほぼ不可逆のラテント、または制御マップ)を見てそれを保持しているため、それを通す。 DINOのフィーチャーマップは、シーン内にあるものを修正し、天気、照明、レンダリングスタイルを13～14%の標準で残している。 本稿では,Representation Feature Adapter (RFA) を提案する。 アダプタとその識別器のみをトレーニングします。エンコーダと機能条件付きデコーダは、すべての条件で一度トレーニングされ、凍結状態のままです。 CycleGAN-Turboに対して、霧や夜のKID、雪、雨、干し草の騒音のレベルの両方で先行している。 sim-to-realでは、両方のメトリクスでREGENとHyPER-GANを導く。 RFAだけがシーンを維持しながら雨を取り除く。 CycleGAN-Turboは、霧以外のあらゆる条件を保ちます。 VAEラテントでは、同一のアダプタがIDに崩壊し、出力をレンダリングするのを見たことのない他のグループからデコーダが分離される。 RFAはCycleGAN-Turboの約160倍のトレーニングパラメータを持ち、条件ごとのトレーニング時間の5分の1以下である。

関連論文リスト

• From Fog Chamber to Aircraft Window: Pixel-Registered Imaging and Synthetic Fine-Tuning Enable Cross-Domain Defogging [32.72182829728677]
  コントロールされた実験室の霧に事前訓練された深部消火パイプラインと、クリーンな屋外シーンに適用されたドメインランダム化合成霧を微調整した微調整は、ターゲットドメイントレーニングを伴わずに、配布外設定の段階的に一般化する。 これは、現実世界の双眼の偽造のために報告されたオープン転送制限に直接対処する。
  論文  参考訳（メタデータ） (2026-06-27T21:21:29Z)
• 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)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• Asymmetric Dual-Decoder U-Net for Joint Rain and Haze Removal [21.316673824040752]
  現実のシナリオでは、雨とヘイズ(しばしば共起する共通の気象現象)は、シーンイメージの明快さと質を大幅に低下させる。 本稿では、上記の課題に対処するため、新しいディープニューラルネットワーク、Asymmetric Dual-Decoder U-Net(ADU-Net)を提案する。 ADU−Netは、汚染残留物とシーン残留物の両方を生成し、シーン情報の忠実性を維持しつつ、雨とヘイズを効率的に除去する。
  論文  参考訳（メタデータ） (2022-06-14T12:50:41Z)
• 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)
• TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
  トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。 実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-11-29T18:57:09Z)
• Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior [103.49307603952144]
  ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。 本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。 単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-09T04:15:10Z)
• Rethinking Image Deraining via Rain Streaks and Vapors [43.23214658411834]
  単一画像のデライン化は、入力画像を背景画像、送信マップ、雨天、大気光の融合とみなす。 降雨ストリークを蒸気とともに透過媒として改質し, レインイメージングをモデル化する。
  論文  参考訳（メタデータ） (2020-08-03T12:15:07Z)

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。