論文の概要: Test-Time Degradation Adaption for Open-Set Image Restoration
- arxiv url: http://arxiv.org/abs/2312.02197v3
- Date: Fri, 2 Feb 2024 13:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 19:19:06.944614
- Title: Test-Time Degradation Adaption for Open-Set Image Restoration
- Title(参考訳): オープンセット画像復元のためのテスト時間劣化適応
- Authors: Yuanbiao Gou and Haiyu Zhao and Boyun Li and Xinyan Xiao and Xi Peng
- Abstract要約: オープンセット画像復元は、事前学習期間中に予期せぬ劣化に対処することを目的としている。
オープンセット画像復元のためのテスト時間劣化適応フレームワークを提案する。
- 参考スコア(独自算出の注目度): 38.56499144874893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In contrast to close-set scenarios that restore images from a predefined set
of degradations, open-set image restoration aims to handle the unknown
degradations that were unforeseen during the pretraining phase, which is
less-touched as far as we know. In this work, we explicitly study this
challenging problem and reveal its essence, i.e., the unidentified distribution
shifts between test and training data. In recent, test-time adaptation emerges
as a fundamental method to address this inherent disparities. Inspired by this,
we propose a test-time degradation adaption framework for open-set image
restoration, which involves three components, i.e., i) a pre-trained and
degradation-agnostic diffusion model to generate clean images, ii) a test-time
degradation adapter adapts the unknown degradations based on the input image
during the testing phase, and iii) the adapter-guided image restoration guides
the model through the adapter to produce the corresponding clean image. Through
experiments on multiple degradations absent from the training data, we show
that our method achieves comparable even better performance than those
task-specific methods.
- Abstract(参考訳): 事前定義された劣化からイメージを復元するクローズセットのシナリオとは対照的に、オープンセットのイメージ復元は、事前学習期間中に予期せぬ劣化に対処することを目的としている。
本研究では,この課題を明示的に研究し,その本質,すなわち,テストデータとトレーニングデータ間の不特定分布の変化を明らかにする。
近年、テスト時間適応は、この固有の格差に対処するための基本的な方法として現れる。
そこで本研究では,3成分を含むオープンセット画像復元のためのテスト時間劣化適応フレームワークを提案する。
一 クリーンな画像を生成するための事前訓練及び劣化診断拡散モデル
二 試験時間劣化アダプタは、試験段階での入力画像に基づいて未知の劣化を適応させ、
三 アダプタガイド画像復元は、モデルをアダプタを通して案内し、対応するクリーン画像を生成する。
訓練データに欠落した複数の劣化に関する実験を通じて,本手法はタスク固有の手法と同等の性能を達成できることを示した。
関連論文リスト
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - Generalizing to Out-of-Sample Degradations via Model Reprogramming [29.56470202794348]
アウト・オブ・サンプル修復(OSR)タスクは、アウト・オブ・サンプル劣化を処理可能な復元モデルを開発することを目的としている。
本稿では,量子力学と波動関数によるサンプル外劣化を変換するモデル再プログラミングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-09T11:56:26Z) - An Adaptive Correspondence Scoring Framework for Unsupervised Image
Registration of Medical Images [9.848431202430431]
既存の手法では、画像再構成を主要な監視信号として用いている。
そこで本研究では,学習中の誤り残差を対応スコアマップで再重み付けする適応フレームワークを提案する。
我々のフレームワークは、量的にも質的にも、他の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2023-12-01T01:11:22Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳(メタデータ) (2023-10-29T13:58:57Z) - PGDiff: Guiding Diffusion Models for Versatile Face Restoration via
Partial Guidance [65.5618804029422]
これまでの研究は、明示的な劣化モデルを用いて解空間を制限することで、注目すべき成功を収めてきた。
実世界の劣化に適応可能な新しい視点である部分的ガイダンスを導入することでPGDiffを提案する。
提案手法は,既存の拡散優先手法に勝るだけでなく,タスク固有モデルと良好に競合する。
論文 参考訳(メタデータ) (2023-09-19T17:51:33Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-03-21T17:59:50Z) - Generative and Discriminative Learning for Distorted Image Restoration [22.230017059874445]
Liquifyは、画像の歪みに使用できる画像編集のテクニックである。
本稿では,深層ニューラルネットワークに基づく新しい生成的・識別的学習手法を提案する。
論文 参考訳(メタデータ) (2020-11-11T14:01:29Z)
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。