論文の概要: Seeing Through the Glare: A Multi-Source Benchmark and Ocular-Adaptive Pixel MeanFlow for Eyeglass Reflection Removal

• arxiv url: http://arxiv.org/abs/2610.10703v1
• Date: Wed, 07 Oct 2026 18:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.615892
• Title: Seeing Through the Glare: A Multi-Source Benchmark and Ocular-Adaptive Pixel MeanFlow for Eyeglass Reflection Removal
• Title（参考訳）: 眼鏡の反射除去のためのマルチソースベンチマークと眼適応型Pixel MeanFlow
• Abstract要約: textbfOcuFlowは、効率よく詳細を保存するための、眼順応のピクセルMeanFlowフレームワークである。 幾何適応表現と一段階のpMFを組み合わせることで、反射吸収眼領域の再構成に焦点を合わせる。 反射除去品質、眼の忠実度、効率において一貫した優位性を実現する。
• 参考スコア（独自算出の注目度）: 63.617920777106775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Eyeglass reflection removal is important across smartphone imaging, video conferencing, and other face-centric visual applications. The task is challenging because reflections range from mild photometric contamination to severe ocular occlusion, requiring selective correction and plausible reconstruction without altering identity or natural appearance. Existing datasets cover limited reflection conditions, constraining generalization to complex real-world scenes and systematic evaluation. We introduce \textbf{OcuBench}, a multi-source benchmark comprising 10,280 controllable synthetic pairs, 732 real-input pseudo-pairs, and 458 independent real-world test images, supporting both paired evaluation and assessment beyond generated supervision. We further propose \textbf{OcuFlow}, an ocular-adaptive pixel MeanFlow (pMF) framework for efficient, detail-preserving restoration. It combines geometry-adaptive representation with one-step pMF to focus reconstruction on reflection-obscured ocular regions, together with native-resolution frequency-preserving synthesis to retain reliable observed details. Experiments across diverse reflection conditions demonstrate that OcuFlow achieves consistent advantages in reflection removal quality, ocular fidelity, and efficiency. In a blind user study, it receives $67.32\%$ of selections, $6.2\times$ the next-best share. Both the code and dataset will be released.
• Abstract（参考訳）: 眼鏡の反射除去は、スマートフォンの撮像、ビデオ会議、その他の顔中心の視覚的応用において重要である。 この課題は、反射が軽度の光度汚染から重度の眼球閉塞、選択的な修正や、身元や自然の外観を変えることなく可視的な再構成を必要とするため、困難である。 既存のデータセットは、限られた反射条件、複雑な現実世界のシーンへの一般化、体系的な評価をカバーしている。 10,280個の制御可能な合成ペア、732個の実インプット擬似ペア、458個の独立した実世界テストイメージからなるマルチソースベンチマークである‘textbf{OcuBench} を導入し、ペア評価と、生成された監督以上の評価をサポートする。 さらに、効率よく詳細な復元を行うために、眼適応型画素MeanFlow (pMF) フレームワークである \textbf{OcuFlow} を提案する。 幾何適応表現と一段階のpMFを組み合わせ、反射吸収眼領域の再構成に焦点を合わせ、自然分解能の周波数保存合成と組み合わせて、信頼性の高い観察の詳細を保持する。 様々な反射条件における実験により、OcuFlowは反射除去品質、眼の忠実度、効率において一貫した優位性を達成している。 盲目のユーザー調査では、選択の67.32.%、次のベストシェアの6.2.timesが与えられる。 コードとデータセットの両方がリリースされる。

関連論文リスト

• Water Reflection Detection Using Symmetric Attention [39.744518395779245]
  そこで我々は,SAWRD-Netというシンメトリ・アウェア・ウォーターリフレクション検出ネットワークを導入する。 二面体群同変の畳み込みと行列分解デコーダをエンドツーエンドのフレームワークで結合する。 SAWRD-Netは、利用可能な最大水反射シーンデータセットに基づいて、人間のアノテーションに対して0.890の真の陽性率を達成する。
  論文  参考訳（メタデータ） (2026-07-12T13:00:20Z)
• Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
  視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。 本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。 ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
  論文  参考訳（メタデータ） (2025-04-25T17:23:47Z)
• Occlusion-Aware Self-Supervised Monocular Depth Estimation for Weak-Texture Endoscopic Images [1.1084686909647639]
  内視鏡的シーンに適した自己教師付き単眼深度推定ネットワークを提案する。 既存の方法は正確ではあるが、通常は一貫した照明を仮定する。 これらの変化は、誤った幾何学的解釈と信頼できない自己監督信号をもたらす。
  論文  参考訳（メタデータ） (2025-04-24T14:12:57Z)
• Dereflection Any Image with Diffusion Priors and Diversified Data [86.15504914121226]
  本稿では、効率的なデータ準備パイプラインと、頑健な反射除去のための一般化可能なモデルを備えた包括的解を提案する。 まず、ターゲットシーンでランダムに回転する反射媒体によって生成された横反射除去(DRR)というデータセットを紹介する。 第2に、決定論的出力と高速推論のための1ステップ拡散を伴う拡散に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-21T17:48:14Z)
• Utilizing Multi-step Loss for Single Image Reflection Removal [0.9208007322096532]
  歪んだイメージは、オブジェクト検出やイメージセグメンテーションといったタスクに悪影響を及ぼす可能性がある。 単一画像を用いた画像反射除去のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-11T17:57:25Z)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)
• Polarized Reflection Removal with Perfect Alignment in the Wild [66.48211204364142]
  野生の偏光画像からの反射を除去するための新しい定式化法を提案する。 まず、既存のリフレクション除去データセットの不整合問題を同定する。 我々は100種類以上のガラスを用いた新しいデータセットを構築し、得られた透過画像は入力された混合画像と完全に一致している。
  論文  参考訳（メタデータ） (2020-03-28T13:29:31Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。