論文の概要: Hihaze: One-Step Diffusion for High-Resolution Real-World Image Dehazing

• arxiv url: http://arxiv.org/abs/2610.25832v1
• Date: Mon, 19 Oct 2026 05:46:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:20:44.079607
• Title: Hihaze: One-Step Diffusion for High-Resolution Real-World Image Dehazing
• Title（参考訳）: ハイハイズ:高分解能実世界のデハジングのための1ステップ拡散
• Abstract要約: Hihazeは高解像度の現実世界の脱ハージングのための一段階の拡散フレームワークである。 注視スキップ補償(ASC)と空間劣化アダプタ(SDA)の2つのヘイズ対応変調モジュールを採用している。 Dense-Hazeでは3.62dB、NH-HAZEでは3.69dBのPSNR改善を実現している。
• 参考スコア（独自算出の注目度）: 42.814932763172315
• License:
• Abstract: Diffusion models have recently achieved encouraging results in real-world image dehazing. However, restoring high-resolution images remains challenging due to spatially non-uniform haze and inconsistent predictions across local patches. To address these issues, we propose Hihaze, a one-step diffusion framework for high-resolution real-world dehazing. Hihaze adopts two haze-aware modulation modules: attentive skip compensation (ASC) and a spatial degradation adapter (SDA). ASC selectively transfers reliable encoder information to the variational autoencoder (VAE) decoder, preserving structural details while suppressing haze-degraded features. SDA extracts multi-scale spatial degradation representations and injects them into the U-Net to guide restoration according to local haze variations. Furthermore, we design a training-free global-guided patch fusion (GPF) method. It uses a global prediction to align patch appearance and downweight unreliable predictions, followed by structure-guided detail compensation. Notably, this training-free design also makes GPF a plug-and-play module for other dehazing models. Experiments across four real-world benchmarks show that Hihaze surpasses state-of-the-art approaches in both visual quality and inference speed. Specifically, it delivers PSNR improvements of 3.62~dB on Dense-Haze and 3.69~dB on NH-HAZE compared with the strongest baselines. Code: https://github.com/zhengchen1999/Hihaze.
• Abstract（参考訳）: 拡散モデルは近年、実世界のイメージデハジングにおいて奨励的な成果を上げている。 しかし、空間的に一様でないヘイズや局所パッチ間の不整合予測のため、高解像度画像の復元は依然として困難である。 これらの問題に対処するために,高分解能現実脱ハージングのための一段階拡散フレームワークであるHihazeを提案する。 Hihazeは、注意的スキップ補償(ASC)と空間劣化アダプタ(SDA)の2つのヘイズ対応変調モジュールを採用している。 ASCは、信頼性の高いエンコーダ情報を可変オートエンコーダ(VAE)デコーダに選択的に転送し、ヘイズ劣化を抑えながら構造的詳細を保存する。 SDAはマルチスケールの空間劣化表現を抽出し、それらをU-Netに注入し、局所的なヘイズの変化に応じて復元を誘導する。 さらに,トレーニング不要なGPF法を設計する。 グローバルな予測を使用してパッチの外観と信頼性の低い予測を調整し、続いて構造ガイドによる詳細な補償を行う。 このトレーニングフリーなデザインは、GPFを他のデハジングモデルのためのプラグアンドプレイモジュールにもしている。 4つの実世界のベンチマークでの実験によると、Hihazeはビジュアル品質と推論速度の両方において最先端のアプローチを超越している。 具体的には、Dense-Hazeでは3.62~dB、NH-HAZEでは3.69~dBのPSNR改善を最強のベースラインと比較する。 コード:https://github.com/zhengchen 1999/Hihaze

関連論文リスト

• DDR-Net: Haze-Aware Dual-Domain Refinement for Single-Image Dehazing [2.962656508378179]
  シングルイメージのデハージングは、ヘイズ劣化画像から鮮明なシーンを復元することを目的としている。 本稿では,単一画像のデハージングのためのヘイズアウェアなデュアルドメインリファインメントネットワーク(DDR-Net)を提案する。 DDR-Netは、ヘイズ除去のためのより効果的な特徴表現と再構成を実現する。
  論文  参考訳（メタデータ） (2026-07-13T04:20:22Z)
• Degradation-Aware Adaptive Context Gating for Unified Image Restoration [57.06559692537862]
  単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 DACG-IRは,劣化特性を明瞭に認識し,特徴表現を動的に変調する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-02T04:18:43Z)
• Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution [3.663940075220745]
  実世界SRのための劣化認識・構造保存拡散フレームワークを提案する。 具体的には,低分解能入力からの軽量劣化統計をエンコードする,分解対応のトークンインジェクションを提案する。 また、局所的なエッジ強度で拡散雑音を変調し、トレーニング中の構造領域をよりよく保存する空間非対称ノイズ注入法を提案する。
  論文  参考訳（メタデータ） (2026-04-13T13:43:22Z)
• RSHazeDiff: A Unified Fourier-aware Diffusion Model for Remote Sensing Image Dehazing [32.16602874389847]
  Hazeはリモートセンシング画像の視覚的品質を著しく低下させる。 本稿では,RSHazeDiffと呼ばれるリモートセンシング画像デハージングのための新しいFourier-aware拡散モデルを提案する。 合成および実世界のベンチマークの実験は、最先端の手法よりもRSHazeDiffの好ましい性能を検証する。
  論文  参考訳（メタデータ） (2024-05-15T04:22:27Z)
• Diffusion Models Without Attention [110.5623058129782]
  Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。 拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
  論文  参考訳（メタデータ） (2023-11-30T05:15:35Z)
• Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
  本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。 提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-21T06:50:44Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)

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。