Fugu-MT 論文翻訳(概要): Compound Multi-branch Feature Fusion for Real Image Restoration

論文の概要: Compound Multi-branch Feature Fusion for Real Image Restoration

arxiv url: http://arxiv.org/abs/2206.02748v1
Date: Thu, 2 Jun 2022 09:03:35 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 15:16:56.999014
Title: Compound Multi-branch Feature Fusion for Real Image Restoration
Title（参考訳）: 実像復元のための複合マルチブランチ機能融合
Authors: Chi-Mao Fan, Tsung-Jung Liu, Kuan-Hsien Liu
Abstract要約: 人間の視覚系(網膜ガングリオン細胞)にインスパイアされたマルチブランチ復元モデルを提案する。 CMFNetと呼ばれる提案されたマルチブランチアーキテクチャは、4つのデータセット上での競合的なパフォーマンス結果を示す。
参考スコア（独自算出の注目度）: 6.909688694501238
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image restoration is a challenging and ill-posed problem which also has been a long-standing issue. However, most of learning based restoration methods are proposed to target one degradation type which means they are lack of generalization. In this paper, we proposed a multi-branch restoration model inspired from the Human Visual System (i.e., Retinal Ganglion Cells) which can achieve multiple restoration tasks in a general framework. The experiments show that the proposed multi-branch architecture, called CMFNet, has competitive performance results on four datasets, including image dehazing, deraindrop, and deblurring, which are very common applications for autonomous cars. The source code and pretrained models of three restoration tasks are available at https://github.com/FanChiMao/CMFNet.
Abstract（参考訳）: 画像復元は困難かつ不適切な問題であり、長年の課題であった。しかし, 学習に基づく復元手法の多くは, 一般化の欠如を意味する1つの劣化型をターゲットにしている。本稿では,人間の視覚系(網膜神経節細胞)に触発されたマルチブランチ修復モデルを提案する。実験により、CMFNetと呼ばれる提案されたマルチブランチアーキテクチャは、画像デハジング、デラインドロップ、デブロアリングを含む4つのデータセットで競合する性能を持つことが示された。 3つの復元タスクのソースコードと事前トレーニングされたモデルは、https://github.com/fanchimao/cmfnetで入手できる。

関連論文リスト

Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
論文参考訳（メタデータ） (2024-11-25T09:26:34Z)
UIR-LoRA: Achieving Universal Image Restoration through Multiple Low-Rank Adaptation [50.27688690379488]
既存の統合手法は、マルチタスク学習問題として、多重劣化画像復元を扱う。本稿では,複数のローランクアダプタ(LoRA)をベースとした汎用画像復元フレームワークを提案する。本フレームワークは, 学習前の生成モデルを多段劣化復元のための共有コンポーネントとして利用し, 特定の劣化画像復元タスクに転送する。
論文参考訳（メタデータ） (2024-09-30T11:16:56Z)
Review Learning: Advancing All-in-One Ultra-High-Definition Image Restoration Training Method [7.487270862599671]
本稿では,bfReview Learning という一般画像復元モデルの学習パラダイムを提案する。このアプローチは、いくつかの劣化したデータセット上のイメージ復元モデルのシーケンシャルなトレーニングと、レビューメカニズムの組み合わせから始まります。コンシューマグレードのGPU上で4K解像度で画像の劣化を効率的に推論できる軽量な全目的画像復元ネットワークを設計する。
論文参考訳（メタデータ） (2024-08-13T08:08:45Z)
RestoreAgent: Autonomous Image Restoration Agent via Multimodal Large Language Models [45.88103575837924]
マルチモーダルな大言語モデルを活用したインテリジェントな画像復元システムであるRestoreAgentを紹介する。 RestoreAgentは、入力画像の劣化の種類と程度を自律的に評価し、(1)適切な復元タスクを決定すること、(2)タスクシーケンスを最適化すること、(3)最も適切なモデルを選択すること、(4)復元を実行することを通じて復元を行う。実験結果は,RestoreAgentの複雑な劣化処理における優れた性能を示し,人間の専門家を上回った。
論文参考訳（メタデータ） (2024-07-25T13:29:37Z)
Restorer: Removing Multi-Degradation with All-Axis Attention and Prompt Guidance [12.066756224383827]
textbfRestorerはトランスフォーマーベースのオールインワン画像復元モデルである。追加のトレーニングを必要とせずに、現実世界のシナリオで複合的な劣化を処理することができる。推論中は効率が良く、現実世界の応用の可能性も示唆している。
論文参考訳（メタデータ） (2024-06-18T13:18:32Z)
InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。 InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
論文参考訳（メタデータ） (2024-01-29T18:53:33Z)
DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文参考訳（メタデータ） (2023-08-29T07:11:52Z)
All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文参考訳（メタデータ） (2023-08-06T04:51:41Z)
PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。 PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
論文参考訳（メタデータ） (2023-06-22T17:59:52Z)
Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-18T18:59:10Z)

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。