論文の概要: Multi-task Image Restoration Guided By Robust DINO Features
- arxiv url: http://arxiv.org/abs/2312.01677v2
- Date: Tue, 5 Dec 2023 17:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 12:37:31.025216
- Title: Multi-task Image Restoration Guided By Robust DINO Features
- Title(参考訳): ロバストなDINO特徴によるマルチタスク画像復元
- Authors: Xin Lin, Chao Ren, Kelvin C.K. Chan, Lu Qi, Jinshan Pan, Ming-Hsuan
Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 98.7455921708419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-task image restoration has gained significant interest due to its
inherent versatility and efficiency compared to its single-task counterpart.
Despite its potential, performance degradation is observed with an increase in
the number of tasks, primarily attributed to the distinct nature of each
restoration task. Addressing this challenge, we introduce
\mbox{\textbf{DINO-IR}}, a novel multi-task image restoration approach
leveraging robust features extracted from DINOv2. Our empirical analysis shows
that while shallow features of DINOv2 capture rich low-level image
characteristics, the deep features ensure a robust semantic representation
insensitive to degradations while preserving high-frequency contour details.
Building on these features, we devise specialized components, including
multi-layer semantic fusion module, DINO-Restore adaption and fusion module,
and DINO perception contrastive loss, to integrate DINOv2 features into the
restoration paradigm. Equipped with the aforementioned components, our DINO-IR
performs favorably against existing multi-task image restoration approaches in
various tasks by a large margin, indicating the superiority and necessity of
reinforcing the robust features for multi-task image restoration.
- Abstract(参考訳): マルチタスクイメージの復元は、その本質的な汎用性と効率性がシングルタスクに比べて大きな関心を集めている。
潜在的な可能性にもかかわらず、パフォーマンスの低下はタスク数の増加とともに観察され、主に各修復タスクの異なる性質によって引き起こされる。
この課題に対処するため,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 \mbox{\textbf{DINO-IR}} を導入する。
実験結果から,dinov2の浅い特徴は低レベルな画像特性をとらえるが,深い特徴は劣化に敏感なロバストな意味表現を保証し,高周波輪郭の細部を保存できることを示した。
これらの機能を基に,多層セマンティクス融合モジュール,dino-restore adaption and fusionモジュール,dino知覚コントラスト損失といった特殊コンポーネントを考案し,dinov2機能を復元パラダイムに統合する。
上記のコンポーネントを装備したdino-irは,既存のマルチタスク画像復元アプローチに対して大きなマージンで有利に動作し,マルチタスク画像復元のためのロバスト機能強化の必要性を示す。
関連論文リスト
- Empowering Image Recovery_ A Multi-Attention Approach [96.25892659985342]
Diverse Restormer (DART) は、様々なソースからの情報を統合して復元課題に対処する画像復元手法である。
DARTは、全体的なパフォーマンスを高めるために、カスタマイズされたアテンションメカニズムを採用している。
5つの復元作業における評価は、常にDARTを最前線に配置する。
論文 参考訳(メタデータ) (2024-04-06T12:50:08Z) - Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。
We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。
提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
論文 参考訳(メタデータ) (2024-01-24T04:25:12Z) - Multimodal Prompt Perceiver: Empower Adaptiveness, Generalizability and Fidelity for All-in-One Image Restoration [58.11518043688793]
MPerceiverは、オールインワン画像復元のための適応性、一般化性、忠実性を高める新しいアプローチである。
MPerceiverは、オールインワンIRの9つのタスクでトレーニングされ、ほとんどのタスクで最先端のタスク固有のメソッドより優れています。
論文 参考訳(メタデータ) (2023-12-05T17:47:11Z) - 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) - Decomposition Ascribed Synergistic Learning for Unified Image
Restoration [8.866457286621342]
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。
論文 参考訳(メタデータ) (2023-08-01T18:00:49Z) - DRM-IR: Task-Adaptive Deep Unfolding Network for All-In-One Image
Restoration [5.573836220587265]
本研究は,効率的な動的参照モデリングパラダイム(DRM-IR)を提案する。
DRM-IRはタスク適応型劣化モデリングとモデルベースの画像復元で構成されている。
複数のベンチマークデータセットの実験は、DRM-IRがAll-In-One IRで最先端のIRを達成することを示している。
論文 参考訳(メタデータ) (2023-07-15T02:42:19Z) - 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) - Reparameterizing Convolutions for Incremental Multi-Task Learning
without Task Interference [75.95287293847697]
マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。
まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。
第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
論文 参考訳(メタデータ) (2020-07-24T14:44:46Z)
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。