論文の概要: ODDR: One-Step Deshadow Diffusion via Reward Guidance

• arxiv url: http://arxiv.org/abs/2610.01291v1
• Date: Thu, 01 Oct 2026 08:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.000127
• Title: ODDR: One-Step Deshadow Diffusion via Reward Guidance
• Title（参考訳）: ODDR:リワード誘導によるワンステップデシャドウ拡散
• Abstract要約: 本研究では,現実のペア管理に頼ることなく,効率的かつ高忠実なシャドウ除去を実現する新しいフレームワークを提案する。 本手法は,1段階のデシャドウ拡散(ODD, One-step Deshadow Diffusion)から始まる。 従来のアノテーションを多用するアプローチとは対照的に、シャドウリワードは人間のアノテーションなしで訓練されたシャドウ除去のための最初の報酬モデルである。
• 参考スコア（独自算出の注目度）: 11.945824426316557
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in deep learning for shadow removal have significantly enhanced image quality and realism. However, most approaches rely on real-world paired datasets, which are costly to collect and often limited in scene diversity, leading to limited generalization. To address these limitations, we propose One-step Deshadow Diffusion via Reward guidance (ODDR), a new framework that achieves efficient and high-fidelity shadow removal without relying on real-world paired supervision. Our method begins with One-step Deshadow Diffusion (ODD), a baseline model trained on synthetic shadow data for efficient one-step shadow-free reconstruction. We further adapt ODD into ODDR using ShadowReward. In contrast to traditional, annotation-heavy approaches, ShadowReward is the first reward model for shadow removal trained entirely without human annotation. It learns to mimic human perceptual judgments by ranking synthetically generated images with controlled degradations, such as texture distortion and boundary artifacts. This reward-guided fine-tuning enables ODDR to close the synthetic-to-real domain gap. Extensive experiments show that ODD achieves strong performance without relying on real-world paired supervision, and ODDR further improves the results, narrowing the gap to fully supervised methods trained on real-world paired data while maintaining higher computational efficiency as a single-step model.
• Abstract（参考訳）: 影除去のためのディープラーニングの最近の進歩は、画像の品質とリアリズムを著しく向上させた。 しかし、ほとんどのアプローチは実世界のペアデータセットに依存しており、シーンの多様性を収集し、しばしば制限されるため、一般化は限られている。 これらの制約に対処するために,現実のペアによる監督に頼ることなく,効率的かつ高忠実なシャドウ除去を実現する新しいフレームワークである1ステップデシャドウ拡散誘導(ODDR)を提案する。 本手法は,1段階のデシャドウ拡散(ODD, One-step Deshadow Diffusion)から始まる。 さらに、ShadowRewardを用いてODDRにODDを適応させる。 従来のアノテーションを多用するアプローチとは対照的に、シャドウリワードは人間のアノテーションなしで訓練されたシャドウ除去のための最初の報酬モデルである。 テクスチャ歪みや境界アーチファクトなどの制御された劣化を伴う合成画像のランク付けによって、人間の知覚判断を模倣することを学ぶ。 この報酬誘導ファインチューニングにより、ODDRは合成と実のドメインギャップを閉じることができる。 大規模な実験により,ODDは実世界のペア化監視に頼らずに高い性能を達成し,ODDRは結果をさらに改善し,単一ステップモデルとして高い計算効率を維持しつつ,実世界のペア化データに基づいてトレーニングされた完全教師付き手法とのギャップを狭めることができた。

関連論文リスト

• Retinex-guided Histogram Transformer for Mask-free Shadow Removal [12.962534359029103]
  ReHiTは、Retinex理論でガイドされたハイブリッドCNN-Transformerアーキテクチャに基づく、効率的なマスクフリーのシャドウ除去フレームワークである。 提案手法は,最少パラメータの1つと最上位エントリ間の高速推論速度で競合する結果を提供する。
  論文  参考訳（メタデータ） (2025-04-18T22:19:40Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Detail-Preserving Latent Diffusion for Stable Shadow Removal [24.18957090960958]
  安定かつ効率的なシャドウ除去に安定拡散モデルを適用するための2段階微調整パイプラインを提案する。 実験の結果,提案手法は最先端のシャドウ除去技術より優れていた。
  論文  参考訳（メタデータ） (2024-12-23T15:06:46Z)
• ShadowMamba: State-Space Model with Boundary-Region Selective Scan for Shadow Removal [3.5734732877967392]
  本稿では,シャドウ除去用に設計された最初のマンバモデルであるShadowMambaを提案する。 実験の結果,提案手法はAISTD, ISTD, SRDデータセットにおいて, 従来の主流手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-05T16:59:06Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Progressive Recurrent Network for Shadow Removal [99.1928825224358]
  シングルイメージのシャドー削除は、まだ解決されていない重要なタスクである。 既存のディープラーニングベースのアプローチのほとんどは、シャドウを直接削除しようとするが、シャドウをうまく扱えない。 本稿では,影を段階的に除去する簡易かつ効果的なプログレッシブ・リカレント・ネットワーク(PRNet)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:42:45Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)
• DeS3: Adaptive Attention-driven Self and Soft Shadow Removal using ViT Similarity [54.831083157152136]
  本稿では,適応的注意とViT類似性に基づいて,ハード,ソフト,セルフシャドーを除去する手法を提案する。 提案手法はSRD, AISTD, LRSS, USR, UIUCデータセットの最先端手法より優れている。
  論文  参考訳（メタデータ） (2022-11-15T12:15:29Z)

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。