論文の概要: FreePath: Neural Mean Free Path for Image Dehazing

• arxiv url: http://arxiv.org/abs/2611.07398v1
• Date: Thu, 05 Nov 2026 03:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.538073
• Title: FreePath: Neural Mean Free Path for Image Dehazing
• Title（参考訳）: FreePath:画像のデハージングのためのニューラルネットワークのフリーパス
• Abstract要約: 画像デハージングのためのニューラルネットワーク平均自由経路フレームワークであるemphFreePathについて述べる。 大気パラメータを推定する代わりに、FreePathは特徴空間パス状態の復元としてデハジングを表現している。 ペア化されたCDD-11のヘイズ画像と実際のRTTSシーンの実験では、FreePathが常に完全な参照忠実性を改善することが示されている。
• 参考スコア（独自算出の注目度）: 1.6848259740298575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single image dehazing requires recovering scene radiance from visual responses that are weakened and veiled by participating media. Existing methods either invert explicit scattering variables, which can be unstable under complex scenes, or learn direct restoration mappings, which often discard the physical organization of haze formation. We present \emph{FreePath}, a neural mean free path framework for image dehazing. Instead of estimating atmospheric parameters, FreePath represents dehazing as feature space path state restoration, inspired by the expected distance a visual response can propagate before interacting with haze. Within a residual encoder and decoder, the Mean Free Path Residual Block learns path and collision fields to guide haze constrained correction, while FreePath State Conservation Integration preserves restored path states during deep feature aggregation. Experiments on paired CDD-11 haze images and real RTTS scenes show that FreePath consistently improves full reference fidelity, no reference perceptual quality, and visual faithfulness over representative dehazing baselines.
• Abstract（参考訳）: 単一画像デハジングは、参加メディアによって弱められ、拒否される視覚反応からシーンラディアンスを回復する必要がある。 既存の方法は、複雑な場面で不安定な明示的な散乱変数を逆転させるか、直接復元写像を学ぶかのいずれかであり、しばしばヘイズ形成の物理的構造を捨てる。 画像デハージングのためのニューラルネットワークフリーパスフレームワークである \emph{FreePath} を提示する。 大気パラメータを推定する代わりに、FreePathは、ヘイズと相互作用する前に視覚応答が伝播できる期待距離にインスパイアされて、特徴空間パス状態の復元としてデハジングを表現している。 残留エンコーダとデコーダ内では、平均自由経路残差ブロックが経路と衝突場を学習し、ヘイズ拘束補正を誘導する一方、FreePath State Conservation Integrationは深い特徴集約中に復元された経路状態を保存する。 ペア化されたCDD-11のヘイズ画像と実RTTSのシーンでの実験では、FreePathは完全な参照忠実度、参照の知覚的品質、および代表的デハジングベースラインに対する視覚的忠実度を一貫して改善している。

関連論文リスト

• CLEAR: Color-Texture Latent Alignment for Single Image Reflection Removal [2.122990905736709]
  シングルイメージリフレクション除去(SIRR)は、ガラスを通して撮影された写真から送信されたシーンを回収しようと試みている。 近年の潜時修復法では, 事前訓練した生成前処理が用いられているが, 劣化した入力からデコーダにフィードバックすることで, 細部を復元する例が多い。 本稿では,事前学習した潜伏拡散バックボーンを自然像として用いた,決定論的かつ単段階の非定常潜伏フレームワークであるCLEARを提案する。
  論文  参考訳（メタデータ） (2026-11-04T05:03:51Z)
• VisualErase: Dual-Branch Visual Trajectory Redirection for Robust Concept Erasure in Text-to-Image Diffusion Models [93.61484351383454]
  概念消去はテキストから画像への拡散モデルの安全な配置に不可欠である。 近年の研究では、消去されたモデルがターゲット概念の視覚的生成軌道を維持している可能性が示されている。 概念を包含する視覚的生成軌道を明示的に定義した概念除去結果にリダイレクトする新しいパラダイムであるVisualEraseを提案する。
  論文  参考訳（メタデータ） (2026-10-04T06:44:27Z)
• Prompt-Guided Dual Latent Steering for Inversion Problems [16.58915166460579]
  劣化した画像を拡散モデルの潜在空間に変換することは困難である。 イメージを1つの潜在ベクトルにエンコードする現在の手法は、構造的忠実度と意味論的精度のバランスをとるのに苦労している。 Prompt-Guided Dual Latent Steering (PDLS) はRectified Flowモデル上に構築された新しいフレームワークで,その安定な反転経路を実現する。 PDLSはインバージョンプロセスを、ソースの整合性を維持する構造経路と、プロンプトによって導かれる意味経路の2つの相補的なストリームに分解する。
  論文  参考訳（メタデータ） (2025-09-23T04:11:06Z)
• OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting [54.525583840585305]
  我々はオブジェクトの削除と挿入を相互依存プロセスとして再概念化する統合フレームワークであるOmniPaintを紹介した。 我々の新しいCFDメトリクスは、コンテキスト整合性とオブジェクト幻覚の堅牢で参照不要な評価を提供する。
  論文  参考訳（メタデータ） (2025-03-11T17:55:27Z)
• DrivingForward: Feed-forward 3D Gaussian Splatting for Driving Scene Reconstruction from Flexible Surround-view Input [45.04354435388718]
  フレキシブル・サラウンド・ビュー・インプットから運転シーンを再構成するフィードフォワードガウス・スプレイティング・モデルを提案する。 我々は、ポーズネットワーク、ディープネットワーク、およびガウスネットワークを共同でトレーニングし、運転シーンを表すプリミティブを予測する。 提案モデルでは,既存のフィードフォワードやシーン最適化の手法よりも再現性が高い。
  論文  参考訳（メタデータ） (2024-09-19T13:16:04Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Neural Image Re-Exposure [86.42475408644822]
  不適切なシャッターは、ぼやけた画像、ビデオの不連続、あるいはローリングシャッターアーティファクトにつながる可能性がある。 ニューラルネットワークに基づく画像再露法フレームワークを提案する。 視覚的潜在空間構築のためのエンコーダ、所望のシャッター戦略でニューラルフィルムに情報を集約する再露光モジュール、およびニューラルフィルムを所望の画像に「展開」するためのデコーダから構成される。
  論文  参考訳（メタデータ） (2023-05-23T01:55:37Z)
• Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
  まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。 既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。 本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
  論文  参考訳（メタデータ） (2022-06-14T03:38:08Z)
• Photon-Driven Neural Path Guiding [102.12596782286607]
  本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。 我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
  論文  参考訳（メタデータ） (2020-10-05T04:54:01Z)
• Light Field Spatial Super-resolution via Deep Combinatorial Geometry Embedding and Structural Consistency Regularization [99.96632216070718]
  ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。 LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。 本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-05T14:39:57Z)

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。