Fugu-MT 論文翻訳(概要): Learning from Failure: Leveraging Unreliable Predictions in Semi-Supervised Real-World Adverse Weather Removal

論文の概要: Learning from Failure: Leveraging Unreliable Predictions in Semi-Supervised Real-World Adverse Weather Removal

arxiv url: http://arxiv.org/abs/2610.02051v1
Date: Thu, 01 Oct 2026 17:00:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:24.31653
Title: Learning from Failure: Leveraging Unreliable Predictions in Semi-Supervised Real-World Adverse Weather Removal
Title（参考訳）: 失敗から学ぶ:半監督された現実世界の逆気象除去における信頼できない予測の活用
Abstract要約: 逆の気象画像復元は、雨、干ばつ、雪、その他の天候によって引き起こされる人工物によって劣化した画像の復元を目的としており、それによって屋外視覚システムの堅牢性を向上させる。既存の統合復元モデルは、合成監督と十分な意味的制約に依存しているため、現実世界のシーンへの限定的な一般化を示す。両課題に対処する新しい教員セミ教師型フレームワークを提案する。
参考スコア（独自算出の注目度）: 20.15876250977726
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adverse weather image restoration aims to recover images degraded by rain, haze, snow, and other weather-induced artifacts, thereby improving the robustness of outdoor vision systems. Existing unified restoration models exhibit limited generalization to real-world scenes due to their reliance on synthetic supervision and insufficient semantic constraints. In this paper, we propose a novel student--teacher semi-supervised framework that addresses both challenges. Specifically, we introduce an unreliable database that preserves failed teacher predictions as informative negative samples for contrastive learning, while a reliable database stores high-quality teacher predictions as positive samples. By jointly exploiting reliable pseudo-ground truths and unreliable teacher outputs, the proposed framework learns to enhance desirable restoration characteristics while avoiding common failures. We further propose a phase spectrum-based semantic constraint that replaces computationally expensive text-based supervision with an efficient and naturally aligned semantic prior. An adaptive phase consistency loss is also designed to dynamically balance supervision between the degraded input and teacher pseudo-ground truths according to degradation severity. Extensive experiments on real-world benchmarks demonstrate that the proposed method consistently outperforms existing state-of-the-art approaches in restoration quality and perceptual fidelity while exhibiting stronger generalization to real-world adverse weather conditions.
Abstract（参考訳）: 逆の気象画像復元は、雨、干ばつ、雪、その他の天候によって引き起こされる人工物によって劣化した画像の復元を目的としており、それによって屋外の視覚システムの堅牢性を向上させる。既存の統合復元モデルは、合成監督と十分な意味的制約に依存しているため、現実世界のシーンへの限定的な一般化を示す。本稿では,両課題に対処する新しい教員セミ教師型フレームワークを提案する。具体的には、教師の予測に失敗したことをコントラスト学習のための情報的負のサンプルとして保存する信頼性の低いデータベースを導入し、信頼性の高いデータベースは高品質な教師の予測を正のサンプルとして保存する。提案手法は,信頼性の高い擬似的真実と信頼できない教師の成果を共同で活用することにより,共通の失敗を回避しつつ,望ましい復元特性を向上させることを学ぶ。さらに、計算コストのかかるテキストベースの監視を、効率的で自然に整合したセマンティクスに置き換える位相スペクトルベースのセマンティクス制約を提案する。適応位相整合損失は、劣化重大度に応じて、劣化した入力と教師の擬似的真実との監督を動的にバランスさせるように設計されている。提案手法は, 実世界の悪天候条件に対するより強い一般化を示しながら, 修復品質と知覚的忠実性において, 既存の最先端アプローチを一貫して上回っていることを示す。

関連論文リスト

Backbone-Agnostic Stochastic Perturbation Learning for End-to-End Real-World Image Dehazing [2.3013099757243056]
Backbone-Agnostic Perturbation Learningを提案する。 BSPLは連続的に複数のバックボーン代表を改良し、余分な追加の推論オーバーヘッドのみを発生させる。
論文参考訳（メタデータ） (2026-07-13T14:44:12Z)
Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
論文参考訳（メタデータ） (2026-07-10T14:19:42Z)
SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
論文参考訳（メタデータ） (2026-06-18T07:47:28Z)
Semi-LAR: Semi-supervised Contrastive Learning with Linear Attention for Removal of Nighttime Flares [43.875783552220305]
ラベルのない画像から安定した学習を可能にする半教師付きフレア除去フレームワークを提案する。疑似監督を段階的に洗練する適応型擬似ラベルレポジトリを提案する。また、フレア汚染された入力を負として明示的に扱うフレア対応コントラスト損失を提案する。
論文参考訳（メタデータ） (2026-05-18T10:02:47Z)
Understanding Degradation with Vision Language Model [56.09241449206817]
視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
論文参考訳（メタデータ） (2026-02-04T13:51:15Z)
Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文参考訳（メタデータ） (2025-12-09T17:20:56Z)
RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
論文参考訳（メタデータ） (2025-09-23T15:41:40Z)
Knowledge Collapse in LLMs: When Fluency Survives but Facts Fail under Recursive Synthetic Training [2.094557609248011]
大規模な言語モデルは、人間が書き込んだコンテンツの不足のために、合成データにますます依存している。モデル生成出力に対する再帰的なトレーニングは、事実の信頼性を脅かす退化過程であるモデル崩壊につながる。
論文参考訳（メタデータ） (2025-09-05T04:29:15Z)
Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
論文参考訳（メタデータ） (2025-04-14T07:24:03Z)
Towards Real-World Adverse Weather Image Restoration: Enhancing Clearness and Semantics with Vision-Language Models [85.53913950137175]
実環境下での復元性能を高めるために,視覚言語モデルを用いた半教師付き学習フレームワークを定式化する。クリアネス向上のために、視覚言語モデルと天気予報学習によって評価された擬似ラベルを用いた2段階戦略を用いて、実世界のデータを利用する。セマンティックエンハンスメントのために,意味を保ちながら視覚言語モデル記述の天気条件を調整し,実世界のデータを統合する。
論文参考訳（メタデータ） (2024-09-03T17:56:51Z)

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。