論文の概要: Dynamic Degradation Decomposition Network for All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2502.19068v2
• Date: Sat, 08 Mar 2025 14:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:40:24.408442
• Title: Dynamic Degradation Decomposition 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動的劣化分解ネットワーク
• Authors: Huiqiang Wang, Mingchen Song, Guoqiang Zhong,
• Abstract要約: 本稿では,オールインワン画像復元のための動的劣化分解ネットワークD$3$Netを提案する。 D$3$Netは、クロスドメイン相互作用と動的分解分解を通じて誘導プロンプトによる劣化適応画像復元を実現する。 複数の画像復元タスクの実験では、D$3$Netは最先端のアプローチよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 3.856518745550605
• License:
• Abstract: Currently, restoring clean images from a variety of degradation types using a single model is still a challenging task. Existing all-in-one image restoration approaches struggle with addressing complex and ambiguously defined degradation types. In this paper, we introduce a dynamic degradation decomposition network for all-in-one image restoration, named D$^3$Net. D$^3$Net achieves degradation-adaptive image restoration with guided prompt through cross-domain interaction and dynamic degradation decomposition. Concretely, in D$^3$Net, the proposed Cross-Domain Degradation Analyzer (CDDA) engages in deep interaction between frequency domain degradation characteristics and spatial domain image features to identify and model variations of different degradation types on the image manifold, generating degradation correction prompt and strategy prompt, which guide the following decomposition process. Furthermore, the prompt-based Dynamic Decomposition Mechanism (DDM) for progressive degradation decomposition, that encourages the network to adaptively select restoration strategies utilizing the two-level prompt generated by CDDA. Thanks to the synergistic cooperation between CDDA and DDM, D$^3$Net achieves superior flexibility and scalability in handling unknown degradation, while effectively reducing unnecessary computational overhead. Extensive experiments on multiple image restoration tasks demonstrate that D$^3$Net significantly outperforms the state-of-the-art approaches, especially improving PSNR by 5.47dB and 3.30dB on the SOTS-Outdoor and GoPro datasets, respectively.
• Abstract（参考訳）: 現在、単一のモデルを使用して、さまざまな劣化タイプからクリーンなイメージを復元することは、依然として困難な作業である。 既存のオールインワン画像復元アプローチは、複雑で明確に定義された劣化タイプに対処するのに苦労する。 本稿では,オールインワン画像復元のための動的分解分解ネットワークD$3$Netを提案する。 D$3$Netは、クロスドメイン相互作用と動的劣化分解を通じて誘導プロンプトによる劣化適応画像復元を実現する。 具体的には、D$3$Netにおいて、提案するクロスドメイン劣化解析器(CDDA)は、周波数領域劣化特性と空間領域画像特徴との深い相互作用を伴い、画像多様体上の異なる劣化型のバリエーションを特定し、モデル化し、劣化補正プロンプトと戦略プロンプトを生成し、次の分解過程を導く。 さらに、進行劣化分解のためのプロンプトベースの動的分解機構(DDM)により、CDDAが生成する2段階のプロンプトを利用した復元戦略を適応的に選択する。 CDDAとDDMの相乗的協力により、D$3$Netは未知の劣化処理において優れた柔軟性とスケーラビリティを実現し、不要な計算オーバーヘッドを効果的に低減する。 複数の画像復元タスクに関する大規模な実験は、D$^3$Netが最先端のアプローチを著しく上回り、特にSOTS-OutdoorとGoProのデータセットでPSNRを5.47dB、3.30dB改善していることを示している。

関連論文リスト

• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• 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)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Neural Degradation Representation Learning for All-In-One Image Restoration [44.222096739644655]
  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)
• Cross-Consistent Deep Unfolding Network for Adaptive All-In-One Video Restoration [78.14941737723501]
  オールインワンVRのためのクロスコンセントディープ・アンフォールディング・ネットワーク(CDUN)を提案する。 2つのカスケード手順を編成することにより、CDUNは様々な劣化に対する適応的な処理を達成する。 さらに、より隣接するフレームからの情報を活用するために、ウィンドウベースのフレーム間融合戦略を導入する。
  論文  参考訳（メタデータ） (2023-09-04T14:18:00Z)
• 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)
• Deep Physics-Guided Unrolling Generalization for Compressed Sensing [8.780025933849751]
  深部物理を応用した学習手法は高精度で解釈可能な画像再構成を実現する。 このパラダイムの本質的な欠陥は、ディープアルゴリズムによって広く実装されている。 Deep $textbfP$hysics-guided untextbfR$olled recoveryを提案する。
  論文  参考訳（メタデータ） (2023-07-18T03:37:10Z)
• 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)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。