論文の概要: Image Dehazing as In-Context Tabular Inference

• arxiv url: http://arxiv.org/abs/2610.25142v1
• Date: Sun, 18 Oct 2026 09:53:10 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:25:34.232869
• Title: Image Dehazing as In-Context Tabular Inference
• Title（参考訳）: In-Context Tabular Inferenceとしてのイメージデハジング
• Abstract要約: 本稿では,デハゼタブ(DehazeTab)について紹介する。 事前訓練されたFMは、ラベル付き参照パッチを使用してコンテキスト内回帰を行い、見えない画像の送信値を予測する。 ベンチマークデータセットの実験は、競争力のある復元性能を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Image dehazing is traditionally addressed through handcrafted physical priors or task-specific deep learning models, often requiring carefully designed architectures or extensive model training. Recent advances in tabular foundation models (TFMs), however, offer an alternative learning paradigm in which continuous relationships can be inferred directly from contextual examples without task-specific model training. Motivated by this capability, this paper investigates whether single-image dehazing can be effectively reformulated as an in-context tabular regression problem and introduces DehazeTab, a framework that estimates atmospheric transmission from structured image-patch representations. Specifically, overlapping patches extracted from hazy images are transformed into tabular samples using handcrafted haze-related descriptors, pretrained visual embeddings, or their hybrid combinations, while corresponding transmission patches are summarized as scalar regression targets. A pretrained TFM then performs in-context regression using labeled reference patches to predict transmission values for unseen images without any further fine-tuning. These predictions are spatially aggregated into a transmission map, refined through guided filtering, and incorporated into the atmospheric scattering model to recover haze-free images. Experiments on benchmark datasets demonstrate competitive restoration performance and reveal that physically motivated handcrafted features can outperform pretrained visual embeddings, while hybrid representations offer complementary benefits. Further analyses examine the effects of feature representations, patch selection, and contextual reference configurations on restoration quality. Beyond image dehazing, the findings highlight the potential of TFMs as an alternative paradigm for addressing low-level vision tasks through structured and in-context inference.
• Abstract（参考訳）: イメージデハジングは伝統的に手作りの物理的事前やタスク固有のディープラーニングモデルを通じて対処され、しばしば慎重に設計されたアーキテクチャや広範囲なモデルトレーニングを必要とする。 しかし,近年の表層基礎モデル(TFM)の進歩は,タスク固有のモデルトレーニングを使わずに,文脈的事例から直接連続的な関係を推定できる新たな学習パラダイムを提供する。 そこで本研究では, 単一画像のデハージングがコンテキスト内タブ状回帰問題として効果的に再構成できるかどうかを考察し, デハゼタブ(DehazeTab)という, 構造的画像パッチ表現からの大気透過を推定するフレームワークを紹介した。 具体的には、ヘイズ画像から抽出された重なり合ったパッチを、手作りのヘイズ関連記述子、事前訓練された視覚埋め込み、またはそれらのハイブリッドの組み合わせを用いて表層サンプルに変換し、対応する送信パッチをスカラー回帰ターゲットとして要約する。 事前訓練されたTFMは、ラベル付き参照パッチを使用してコンテキスト内回帰を行い、未確認画像の送信値を予測する。 これらの予測は送信マップに空間的に集約され、ガイド付きフィルタリングによって洗練され、大気散乱モデルに組み込まれて、無煙画像の復元を行う。 ベンチマークデータセットの実験では、競争力のある復元性能を示し、物理的に動機付けられた手作りの機能は、事前訓練された視覚的な埋め込みよりも優れており、ハイブリッド表現は相補的な利点を提供する。 さらに,特徴表現,パッチ選択,コンテキスト参照構成が修復品質に及ぼす影響について検討した。 画像のデハジング以外にも、構造化およびコンテキスト内推論を通じて低レベルの視覚タスクに対処するための代替パラダイムとして、TFMの可能性を強調している。

関連論文リスト

• LaP-Forensics: Latent-Pixel Consistency Guided Multimodal Reasoning for Deepfake Detection [11.780720481629837]
  本稿では,RGBセマンティクスを再構築に基づく法医学的証拠で強化するフレームワークであるLaP-Forensicsを紹介する。 独立プロジェクタは、構造化されたWhere-What-Whyモデルの前にRGBイメージと残留マップを符号化し、テキスト解析とアーティファクトマスクを予測する。 実験では、UniversalFakeDetect上でのクロスジェネレータ検出と、公式のSynthScarsベンチマークでの競合アーティファクトローカライゼーションが示されている。
  論文  参考訳（メタデータ） (2026-07-28T16:45:52Z)
• Combined Flicker-banding and Moire Removal for Screen-Captured Images [24.036188551666573]
  本研究は,スクリーンキャプチャ画像におけるモアレパターンとフリックバンドの同時除去に関する最初の体系的研究である。 このタスクを支援するために,モアレパターンとフリックバンド処理の両方を含む大規模データセットを構築した。 また,ISPベースのフラッカシミュレーションパイプラインを導入し,モデルトレーニングを安定化し,劣化分布を拡大する。
  論文  参考訳（メタデータ） (2026-02-02T02:53:41Z)
• GloTok: Global Perspective Tokenizer for Image Reconstruction and Generation [51.95701097588426]
  トークン化された特徴のより均一な意味分布をモデル化するために,Global Perspective Tokenizer(GloTok)を導入する。 量子化による再構成誤差を最小限に抑えるために, 微細な細部を復元するために, 残差学習モジュールを提案する。 標準のImageNet-1kベンチマーク実験により,提案手法が最先端の復元性能と生成品質を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-18T06:40:26Z)
• Unpaired Deblurring via Decoupled Diffusion Model [55.21345354747609]
  UID-Diffは,未知領域における劣化性能の向上を目的とした生成拡散モデルである。 構造的特徴とぼかしパターン抽出器を別々に用いて, 抽出した特徴は, 合成データに対する教師付きデブロアリングタスクと教師なしのぼかし転送タスクに使用される。 実世界のデータセットの実験では、UID-Diffが既存の最先端の手法よりも、ぼやけた除去と構造保存に優れていることが示されている。
  論文  参考訳（メタデータ） (2025-02-03T17:00:40Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
  本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。 暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
  論文  参考訳（メタデータ） (2021-10-22T10:02:48Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)

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。