論文の概要: All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation
- arxiv url: http://arxiv.org/abs/2308.03021v1
- Date: Sun, 6 Aug 2023 04:51:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 17:08:58.106491
- Title: All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation
- Title（参考訳）: 階層的劣化表現によるオールインワン多段画像復元ネットワーク
- Authors: Cheng Zhang, Yu Zhu, Qingsen Yan, Jinqiu Sun, Yanning Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.00239809958627
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The aim of image restoration is to recover high-quality images from distorted
ones. However, current methods usually focus on a single task (\emph{e.g.},
denoising, deblurring or super-resolution) which cannot address the needs of
real-world multi-task processing, especially on mobile devices. Thus,
developing an all-in-one method that can restore images from various unknown
distortions is a significant challenge. Previous works have employed
contrastive learning to learn the degradation representation from observed
images, but this often leads to representation drift caused by deficient
positive and negative pairs. To address this issue, we propose a novel
All-in-one Multi-degradation Image Restoration Network (AMIRNet) that can
effectively capture and utilize accurate degradation representation for image
restoration. AMIRNet learns a degradation representation for unknown degraded
images by progressively constructing a tree structure through clustering,
without any prior knowledge of degradation information. This tree-structured
representation explicitly reflects the consistency and discrepancy of various
distortions, providing a specific clue for image restoration. To further
enhance the performance of the image restoration network and overcome domain
gaps caused by unknown distortions, we design a feature transform block (FTB)
that aligns domains and refines features with the guidance of the degradation
representation. We conduct extensive experiments on multiple distorted
datasets, demonstrating the effectiveness of our method and its advantages over
state-of-the-art restoration methods both qualitatively and quantitatively.
- Abstract（参考訳）: 画像復元の目的は、歪んだ画像から高品質な画像を復元することである。
しかし、現在の手法は通常1つのタスク (\emph{e.g.}, denoising, deblurring, super- resolution) に集中しており、実際のマルチタスク処理、特にモバイルデバイスでは対応できない。
したがって、様々な未知の歪みから画像を復元できるオールインワン方式の開発は大きな課題である。
これまでの研究では、観察された画像から劣化表現を学ぶために対比学習が用いられてきたが、これはしばしば正と負のペアの不足によって引き起こされる表現ドリフトをもたらす。
この問題に対処するために,画像復元のための精度の高い劣化表現を効果的に捕捉し,活用できる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、劣化情報の事前知識なく、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、画像復元の手がかりとなる。
画像復元ネットワークの性能をさらに向上し、未知の歪みに起因する領域ギャップを克服するために、ドメインを整列させ、特徴を分解表現のガイダンスで洗練する特徴変換ブロック(FTB)を設計する。
本研究では,複数の歪データセットについて広範な実験を行い,本手法の有効性と,その有効性を示す。
関連論文リスト
- Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。
提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-19T16:42:58Z) - 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) - Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。
具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。
我々の手法は最先端技術と競争的に機能する。
論文 参考訳（メタデータ） (2023-09-06T15:05:04Z) - Wide & deep learning for spatial & intensity adaptive image restoration [16.340992967330603]
本稿では,広義の多フレーム画像復元ネットワーク(DparNet)を提案する。
劣化前のパラメータ行列は、劣化した画像から直接学習される。
DparNetの広範かつ深いアーキテクチャにより、学習したパラメータは最終的な復元結果を直接修正できる。
論文 参考訳（メタデータ） (2023-05-30T03:24:09Z) - Invertible Rescaling Network and Its Extensions [118.72015270085535]
本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。
我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。
そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
論文 参考訳（メタデータ） (2022-10-09T06:58:58Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Dual Perceptual Loss for Single Image Super-Resolution Using ESRGAN [13.335546116599494]
本稿では,従来の知覚損失を置き換えるためにDP損失(Dual Perceptual Loss)と呼ばれる手法を提案する。
VGG特徴とResNet特徴の相補的な性質のため、提案されたDPロスは2つの特徴を同時に学習する利点を考察する。
ベンチマークデータセットの定性的および定量的解析により,提案手法が最先端の超解像法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-17T12:42:56Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳（メタデータ） (2020-05-12T09:55:53Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
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。