論文の概要: Structure-retained low-rank adapters for weather synthesis

• arxiv url: http://arxiv.org/abs/2610.38413v1
• Date: Wed, 28 Oct 2026 08:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:42:24.041596
• Title: Structure-retained low-rank adapters for weather synthesis
• Title（参考訳）: 気象合成のための構造保持型低ランクアダプタ
• Abstract要約: 特に屋外シナリオにおけるコンピュータビジョンモデルの実際の展開は、悪天候などの環境干渉によって制限されることが多い。 本研究では、構造保持型ローランドアダプタ(LoRA)を利用した新しい気象合成フレームワークを用いてこの問題に対処する。 実験により,本手法は既存の合成手法を改良し,構造を保ちながら高いリアリズムを実現することを示した。
• 参考スコア（独自算出の注目度）: 50.057469870031476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world deployment of computer vision models, particularly in outdoor scenarios, is often limited by environmental interferences, such as adverse weather. Improving model robustness across weather conditions is thus critical for reliability. However, sourcing high-quality data relevant to isolated weather effects is a significant challenge. Most datasets include changes in dynamic elements across observations of the same scene: subjects such as pedestrians and vehicles change between shots, while camera viewpoints vary. These aspects make it difficult to decouple solely weather-induced distribution shifts from the scene. In this work, we address this with a novel weather synthesis framework that utilizes structure-retaining Low-Rank Adapters (LoRA). We analyze the attention blocks in Stable Diffusion XL (SDXL) and identify where relevant structural information is mostly processed during image-to-image translation. Through an architectural analysis of SDXL, we learn structural LoRA matrices for the corresponding blocks and then leverage them for weather synthesis, eliminating the need for external conditioning such as ControlNet. Experimental results demonstrate that our method improves upon existing synthesis approaches, achieving greater realism while preserving structure. This provides a robust pipeline for generating high-fidelity training and evaluation data for outdoor computer vision applications.
• Abstract（参考訳）: 特に屋外シナリオにおけるコンピュータビジョンモデルの実際の展開は、悪天候などの環境干渉によって制限されることが多い。 したがって、気象条件を越えてモデルロバスト性を改善することは信頼性にとって重要である。 しかし、孤立した気象効果に関連する高品質なデータをソーシングすることは大きな課題である。 ほとんどのデータセットは、同じシーンの観察における動的要素の変化を含む:歩行者や車両などの被験者はショット間で変化するが、カメラの視点は様々である。 これらの側面は、天候によって引き起こされる分布シフトのみをシーンから切り離すことを困難にしている。 本研究では,構造保持型ローランドアダプタ (LoRA) を利用した新しい気象合成フレームワークを用いてこの問題に対処する。 我々は,SDXL (Stable Diffusion XL) の注目ブロックを解析し,画像から画像への変換において,関連する構造情報が主に処理される場所を特定する。 SDXLのアーキテクチャ解析を通じて,対応するブロックに対する構造的LoRA行列を学習し,気象合成に利用することにより,コントロールネットなどの外部コンディショニングの必要性を解消する。 実験により,本手法は既存の合成手法を改良し,構造を保ちながら高いリアリズムを実現することを示した。 これにより、屋外コンピュータビジョンアプリケーションのための高忠実度トレーニングと評価データを生成する堅牢なパイプラインを提供する。

関連論文リスト

• Cyclone: Diffusion Model for Cycle-Consistent Weather Editing from Unpaired Driving Data [6.193129698981512]
  本稿では,潜伏拡散に基づく気象編集のための統合フレームワークであるCycloneを紹介する。 提案手法は,既存のベースラインよりもリアルで,構造を保った出力を生成する。
  論文  参考訳（メタデータ） (2026-07-15T15:08:45Z)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data [16.145130650604344]
  我々は,意味的コヒーレント,気象多様性,物理的に妥当なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークを提案する。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。
  論文  参考訳（メタデータ） (2025-12-02T12:14:19Z)
• 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)
• RobuSTereo: Robust Zero-Shot Stereo Matching under Adverse Weather [9.627322054208868]
  学習に基づくステレオマッチングモデルは、トレーニングデータの不足により悪天候に苦しむ。 悪天候下でのステレオマッチングモデルのゼロショット一般化を促進する新しいフレームワークである textbfRobuSTereo を提案する。
  論文  参考訳（メタデータ） (2025-07-02T12:27:53Z)
• ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation in Construction Environments [1.4070907500169874]
  本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。 このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
  論文  参考訳（メタデータ） (2023-12-27T10:49:19Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。