論文の概要: Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration

• arxiv url: http://arxiv.org/abs/2401.13221v1
• Date: Wed, 24 Jan 2024 04:25:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-25 15:31:27.384665
• Title: Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration
• Title（参考訳）: オールインワン画像復元のための統一幅適応動的ネットワーク
• Authors: Yimin Xu, Nanxi Gao, Zhongyun Shan, Fei Chao, Rongrong Ji
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.81374327480445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to traditional image restoration methods, all-in-one image restoration techniques are gaining increased attention for their ability to restore images affected by diverse and unknown corruption types and levels. However, contemporary all-in-one image restoration methods omit task-wise difficulties and employ the same networks to reconstruct images afflicted by diverse degradations. This practice leads to an underestimation of the task correlations and suboptimal allocation of computational resources. To elucidate task-wise complexities, we introduce a novel concept positing that intricate image degradation can be represented in terms of elementary degradation. Building upon this foundation, we propose an innovative approach, termed the Unified-Width Adaptive Dynamic Network (U-WADN), consisting of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS). The WAB incorporates several nested sub-networks with varying widths, which facilitates the selection of the most apt computations tailored to each task, thereby striking a balance between accuracy and computational efficiency during runtime. For different inputs, the WS automatically selects the most appropriate sub-network width, taking into account both task-specific and sample-specific complexities. Extensive experiments across a variety of image restoration tasks demonstrate that the proposed U-WADN achieves better performance while simultaneously reducing up to 32.3\% of FLOPs and providing approximately 15.7\% real-time acceleration. The code has been made available at \url{https://github.com/xuyimin0926/U-WADN}.
• Abstract（参考訳）: 従来の画像復元法とは対照的に,多種多様で未知の画像の復元能力から,オールインワン画像復元技術が注目されている。 しかし、現代のオールインワン画像復元手法では、タスクの難易度を省き、同じネットワークを用いて多様な劣化に苦しむ画像を再構築している。 このプラクティスは、タスク相関と計算リソースの最適でない割り当ての過小評価につながる。 課題の複雑さを解明するために, 複雑な画像劣化を初等劣化の観点から表現できるという新しい概念を導入する。 この基盤を基盤として,Width Adaptive Backbone (WAB) と Width Selector (WS) の2つの重要なコンポーネントからなるUnified-Width Adaptive Dynamic Network (U-WADN) と呼ばれる革新的なアプローチを提案する。 WABには、様々な幅のネストされたサブネットワークが組み込まれており、各タスクに適した最も適応的な計算の選択が容易になり、実行中に精度と計算効率のバランスがとれる。 異なる入力に対して、WSはタスク固有の複雑さとサンプル固有の複雑さの両方を考慮して、最も適切なサブネットワーク幅を自動的に選択します。 様々な画像復元タスクにわたる大規模な実験により、提案された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する。 コードは \url{https://github.com/xuyimin0926/u-wadn} で利用可能である。

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)
• HAIR: Hypernetworks-based All-in-One Image Restoration [46.681872835394095]
  HairはHypernetworksベースのオールインワンイメージ復元プラグイン・アンド・プレイ方式である。 入力画像に基づいてパラメータを生成し、モデルを動的に特定の劣化に適応させる。 シングルタスクとオールインワンの設定の両方において、既存の画像復元モデルの性能をプラグアンドプレイで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-08-15T11:34:33Z)
• Dilated Strip Attention Network for Image Restoration [5.65781374269726]
  画像復元のための拡張ストリップアテンションネットワーク(DSAN)を提案する。 DSA操作を水平および垂直に使用することにより、各場所はより広い領域からコンテキスト情報を収集することができる。 実験の結果,DSANは複数の画像復元作業において最先端のアルゴリズムより優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-26T09:12:30Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Multi-task Image Restoration Guided By Robust DINO Features [88.74005987908443]
  DINOv2から抽出したロバストな特徴を利用したマルチタスク画像復元手法であるmboxtextbfDINO-IRを提案する。 まず,DINOV2の浅い特徴を動的に融合するPSF (Pixel-semantic fusion) モジュールを提案する。 これらのモジュールを統一された深層モデルに定式化することにより、モデルトレーニングを制約するために、DINO知覚の対照的な損失を提案する。
  論文  参考訳（メタデータ） (2023-12-04T06:59:55Z)
• 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)
• 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)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)
• 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。