論文の概要: Decomposition Ascribed Synergistic Learning for Unified Image
Restoration
- arxiv url: http://arxiv.org/abs/2308.00759v2
- Date: Tue, 12 Mar 2024 12:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 01:52:05.571862
- Title: Decomposition Ascribed Synergistic Learning for Unified Image
Restoration
- Title(参考訳): 統合画像復元のための分解型相乗学習
- Authors: Jinghao Zhang, Feng Zhao
- Abstract要約: 特異値分解のレンズによる多彩な劣化に着目した。
劣化した特異ベクトルと特異値の専用最適化は、本質的に様々な復元タスク間のポテンシャル関係を利用する。
- 参考スコア(独自算出の注目度): 8.866457286621342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to restore multiple image degradations within a single model is
quite beneficial for real-world applications. Nevertheless, existing works
typically concentrate on regarding each degradation independently, while their
relationship has been less exploited to ensure the synergistic learning. To
this end, we revisit the diverse degradations through the lens of singular
value decomposition, with the observation that the decomposed singular vectors
and singular values naturally undertake the different types of degradation
information, dividing various restoration tasks into two groups, \ie, singular
vector dominated and singular value dominated. The above analysis renders a
more unified perspective to ascribe the diverse degradations, compared to
previous task-level independent learning. The dedicated optimization of
degraded singular vectors and singular values inherently utilizes the potential
relationship among diverse restoration tasks, attributing to the Decomposition
Ascribed Synergistic Learning (DASL). Specifically, DASL comprises two
effective operators, namely, Singular VEctor Operator (SVEO) and Singular VAlue
Operator (SVAO), to favor the decomposed optimization, which can be lightly
integrated into existing image restoration backbone. Moreover, the congruous
decomposition loss has been devised for auxiliary. Extensive experiments on
blended five image restoration tasks demonstrate the effectiveness of our
method.
- Abstract(参考訳): 単一のモデル内で複数の画像劣化を復元する学習は、現実世界のアプリケーションにとって非常に有益である。
しかしながら、既存の研究は通常、個々の分解に独立して集中するが、それらの関係は相乗的学習を保証するためにあまり利用されていない。
この目的のために,分解された特異ベクトルと特異値が,自然に異なる分解情報のタイプを受け取り,様々な復元タスクを2つのグループ,\ie,特異ベクトル支配,特異値支配に分割する観察を行い,特異値分解のレンズを通して多様な分解を再考する。
上記の分析は、以前のタスクレベルの独立した学習と比較して、さまざまな劣化を補うための、より統一的な視点を示している。
劣化した特異ベクトルと特異値の専用最適化は、様々な復元タスク間の潜在的な関係を本質的に利用しており、これはDASL(Decomposition Ascribed Synergistic Learning)に起因する。
具体的には、daslはsveo(single vector operator)とsvao(single value operator)の2つの効果的な演算子で構成されており、既存の画像復元バックボーンに軽量に統合できる分解最適化を好む。
さらに, 連続的な分解損失を補助として考案した。
ブレンドした5つの画像復元タスクの大規模な実験により,本手法の有効性が示された。
関連論文リスト
- Multi-task Image Restoration Guided By Robust DINO Features [98.7455921708419]
DINOv2から抽出したロバストな特徴を利用した新しいマルチタスク画像復元手法であるmboxtextbfDINO-IRを導入する。
実験により,DINOv2の浅部特徴は低レベル画像の特徴が豊富であるが,深部特徴は劣化に敏感な頑健な意味表現を保証していることがわかった。
論文 参考訳(メタデータ) (2023-12-04T06:59:55Z) - Neural Degradation Representation Learning for All-In-One Image
Restoration [47.44349756954423]
複数の劣化に対処するオールインワン画像復元ネットワークを提案する。
我々は、様々な劣化の基盤となる特徴を捉える神経分解表現(NDR)を学習する。
我々は,NDRに基づく特定の劣化を効果的に認識し,活用するための劣化クエリモジュールと劣化インジェクションモジュールを開発した。
論文 参考訳(メタデータ) (2023-10-19T15:59:24Z) - 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) - Uni-Removal: A Semi-Supervised Framework for Simultaneously Addressing
Multiple Degradations in Real-World Images [6.3351090376024155]
Uni-Removalは、現実世界の画像における複数の劣化を取り除くための2段階の半教師付きフレームワークである。
知識伝達の段階では、Uni-Removalは教師付きマルチ教師と学生アーキテクチャを利用する。
ドメイン適応段階では、現実世界の画像に敵判別器を組み込むことにより、教師なしの微調整を行う。
論文 参考訳(メタデータ) (2023-07-11T07:18:15Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Relationship Quantification of Image Degradations [72.98190570967937]
劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。
DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。
得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
論文 参考訳(メタデータ) (2022-12-08T09:05:19Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-11-26T21:02:09Z) - Contrastive Learning of Visual-Semantic Embeddings [4.7464518249313805]
本稿では,正規化されたクロスエントロピーに基づく2つの損失関数を提案する。
本研究は,画像・テキスト・テキスト・画像検索タスクにおける既存のビジュアル・セマンティックな埋め込み手法と比較する。
論文 参考訳(メタデータ) (2021-10-17T17:28:04Z) - Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation [66.85202434812942]
セグメンテーションを意味的再構成問題として再検討する。
基本クラスの特徴を,新しいクラス再構築のためのクラスレベルのセマンティック空間にまたがる一連の基底ベクトルに変換する。
提案手法はアンチエイリアス・セマンティック・リストラクション (ASR) と呼ばれ, 数発の学習問題に対して, 体系的かつ解釈可能な解法を提供する。
論文 参考訳(メタデータ) (2021-06-01T02:17:36Z)
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。