Newest papers

Dual-Scale Condition-Shift Editing for Robust Real-World Image Demoiréing

Shiyang Zhou, Haijin Zeng, Congpei Qiu, Zhengcen Li, Ping Chen, Xiangming Wang, Zheng Li, Yongyong Chen, Jingyong Su · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26644 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mạng khôi phục mạnh mẽ của hình ảnh thu hồi màn hình vẫn là một thách thức: moiré khác nhau về tần số, màu sắc và hỗ trợ không gian trên các cặp camera hiển thị và điều kiện chụp. Các mạng khôi phục chuyên dụng được đào tạo về cuộc đấu tranh dữ liệu kết hợp hữu hạn với sự đa dạng này, đặc biệt là khi băng màu tần số thấp và dải tần số cao xảy ra cùng nhau. Chúng tôi trình bày DemoiréEdit, một khuôn khổ chỉnh sửa nội dung bảo tồn cơ bản phù hợp với hình ảnh tự nhiên trước khi một trình biên tập kết hợp dòng chảy được đào tạo trước để demoiré. Thứ nhất, một mục tiêu đào tạo cuối cùng được giám sát trên các ống kính màu tương ứng với tốc độ tương ứng với pixel, nhận thức và nghiên cứu tần số-domain phục hồi tổn thất. Thứ hai,

Machine translation (Meta M2M100); the English original follows.

Abstract

Robust demoiréing of screen-recaptured images remains challenging: moiré varies in frequency, color, and spatial support across display-camera pairs and capture conditions. Dedicated restoration networks trained on finite paired data struggle with this diversity, especially when low-frequency color banding and high-frequency stripes co-occur. We present DemoiréEdit, a content-preserving editing framework that adapts the natural-image prior of a pretrained flow-matching editor to demoiréing. First, an endpoint-supervised training objective supplements velocity matching with pixel, perceptual, and frequency-domain restoration losses. Second, a dual-scale condition-shift strategy performs global correction at low resolution, then refines the image at full resolution by shifting the denoising condition from the first-stage output to the original input for detail recovery. We also introduce DailyMoiré130, a benchmark of challenging moiré in everyday screen photography, comprising 130 smartphone captures across diverse displays with low-frequency color banding, fine high-frequency stripes, and mixed-frequency interference. On the challenging DailyMoiré130 benchmark, our method achieves the lowest residual moiré area and receives 71.3% overall-quality preference in a blind Best-of-7 study with 31 participants. We also evaluate on paired FHDMi/UHDM, reducing residual moiré confidence by 47.1%/9.3% and increasing MUSIQ by 4.3%/2.0% over the best baseline for each metric.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Artificial intelligence, Computer science, Residual, Computer vision, Benchmark (surveying), Image editing

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange