論文の概要: DPMambaIR:All-in-One Image Restoration via Degradation-Aware Prompt State Space Model

• arxiv url: http://arxiv.org/abs/2504.17732v1
• Date: Thu, 24 Apr 2025 16:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.472696
• Title: DPMambaIR:All-in-One Image Restoration via Degradation-Aware Prompt State Space Model
• Title（参考訳）: DPMambaIR:劣化認識状態空間モデルによるオールインワン画像復元
• Authors: Zhanwen Liu, Sai Zhou, Yuchao Dai, Yang Wang, Yisheng An, Xiangmo Zhao,
• Abstract要約: オールインワン画像復元は、複数の画像劣化問題に対処することを目的としている。 既存のアプローチは、画像復元を導くために、分解特異的モデルや粗粒度劣化プロンプトに依存している。 我々は,新しいオールインワン画像復元フレームワークであるDPMambaIRを提案する。
• 参考スコア（独自算出の注目度）: 36.979833523678614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-in-One image restoration aims to address multiple image degradation problems using a single model, significantly reducing training costs and deployment complexity compared to traditional methods that design dedicated models for each degradation type. Existing approaches typically rely on Degradation-specific models or coarse-grained degradation prompts to guide image restoration. However, they lack fine-grained modeling of degradation information and face limitations in balancing multi-task conflicts. To overcome these limitations, we propose DPMambaIR, a novel All-in-One image restoration framework. By integrating a Degradation-Aware Prompt State Space Model (DP-SSM) and a High-Frequency Enhancement Block (HEB), DPMambaIR enables fine-grained modeling of complex degradation information and efficient global integration, while mitigating the loss of high-frequency details caused by task competition. Specifically, the DP-SSM utilizes a pre-trained degradation extractor to capture fine-grained degradation features and dynamically incorporates them into the state space modeling process, enhancing the model's adaptability to diverse degradation types. Concurrently, the HEB supplements high-frequency information, effectively addressing the loss of critical details, such as edges and textures, in multi-task image restoration scenarios. Extensive experiments on a mixed dataset containing seven degradation types show that DPMambaIR achieves the best performance, with 27.69dB and 0.893 in PSNR and SSIM, respectively. These results highlight the potential and superiority of DPMambaIR as a unified solution for All-in-One image restoration.
• Abstract（参考訳）: All-in-Oneイメージ復元は、単一のモデルを使用して複数の画像劣化問題に対処することを目的としている。 既存のアプローチは、画像復元を導くために、デグレーション固有のモデルや粗い粒度の劣化プロンプトに依存するのが一般的である。 しかし、分解情報のきめ細かいモデリングやマルチタスク競合のバランスの制限は欠如している。 これらの制約を克服するために,新しいオールインワン画像復元フレームワークであるDPMambaIRを提案する。 Degradation-Aware Prompt State Space Model (DP-SSM)とHigh-Frequency Enhancement Block (HEB)を統合することで、DPMambaIRは複雑な劣化情報のきめ細かなモデリングと効率的なグローバルな統合を可能にし、タスク競合による高周波詳細の損失を軽減する。 具体的には、DP-SSMは、事前訓練された劣化抽出器を使用して、きめ細かい劣化特徴を捕捉し、それらを動的に状態空間モデリングプロセスに組み込み、多様な劣化タイプへのモデルの適応性を高める。 同時に、HEBは、マルチタスク画像復元シナリオにおいて、エッジやテクスチャなどの重要な詳細が失われることに効果的に対処するため、高周波情報を補う。 7種類の分解型を含む混合データセットの大規模な実験により、DPMambaIRは、それぞれPSNRとSSIMで27.69dBと0.893で最高の性能を発揮することが示された。 これらの結果は、オールインワン画像復元の統一ソリューションとしてのDPMambaIRの可能性と優位性を強調している。

関連論文リスト

• Dynamic Degradation Decomposition Network for All-in-One Image Restoration [3.856518745550605]
  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。
  論文  参考訳（メタデータ） (2025-02-26T11:49:58Z)
• 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)
• Chain-of-Restoration: Multi-Task Image Restoration Models are Zero-Shot Step-by-Step Universal Image Restorers [53.298698981438]
  本稿では,UIR(Universal Image Restoration)という新たなタスク設定を提案する。 UIRは、すべての劣化組み合わせのトレーニングを必要とせず、一連の劣化基だけに限って、これらの基がゼロショットで構成できる可能性のある劣化を取り除く。 本稿では,未知の複合劣化を段階的に除去するモデルをモデルに指示する,CoR(Chain-of-Restoration)機構を提案する。
  論文  参考訳（メタデータ） (2024-10-11T10:21:42Z)
• UIR-LoRA: Achieving Universal Image Restoration through Multiple Low-Rank Adaptation [50.27688690379488]
  既存の統合手法は、マルチタスク学習問題として、多重劣化画像復元を扱う。 本稿では,複数のローランクアダプタ(LoRA)をベースとした汎用画像復元フレームワークを提案する。 本フレームワークは, 学習前の生成モデルを多段劣化復元のための共有コンポーネントとして利用し, 特定の劣化画像復元タスクに転送する。
  論文  参考訳（メタデータ） (2024-09-30T11:16:56Z)
• Training-Free Large Model Priors for Multiple-in-One Image Restoration [24.230376300759573]
  大型モデル駆動画像復元フレームワーク(LMDIR) 我々のアーキテクチャは、グローバルな劣化知識を注入するクエリベースのプロンプトエンコーダ、分解対応トランスフォーマーブロックで構成されている。 この設計は、自動修復とユーザガイド修復の両方をサポートしながら、様々な劣化に対処するためのシングルステージトレーニングパラダイムを促進する。
  論文  参考訳（メタデータ） (2024-07-18T05:40:32Z)
• Efficient Degradation-aware Any Image Restoration [83.92870105933679]
  我々は,低ランク体制下での学習者(DaLe)を用いた効率的なオールインワン画像復元システムである textitDaAIR を提案する。 モデルキャパシティを入力劣化に動的に割り当てることにより、総合学習と特定の学習を統合した効率的な復調器を実現する。
  論文  参考訳（メタデータ） (2024-05-24T11:53:27Z)
• Photo-Realistic Image Restoration in the Wild with Controlled Vision-Language Models [14.25759541950917]
  この研究は、能動的視覚言語モデルと合成分解パイプラインを活用して、野生(ワイルドIR)における画像復元を学習する。 我々の基底拡散モデルは画像復元SDE(IR-SDE)である。
  論文  参考訳（メタデータ） (2024-04-15T12:34:21Z)
• Parameter Efficient Adaptation for Image Restoration with Heterogeneous Mixture-of-Experts [52.39959535724677]
  画像復元モデルの一般化を改善するための代替手法を提案する。 ローカル,グローバル,チャネル表現ベースをキャプチャするマルチブランチ設計のMixture-of-Experts (MoE) であるAdaptIRを提案する。 我々のAdaptIRは、単一劣化タスクにおける安定した性能を実現し、8時間間、微調整はわずか0.6%のパラメータしか持たず、ハイブリッド劣化タスクにおいて優れる。
  論文  参考訳（メタデータ） (2023-12-12T14:27:59Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
  単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。 モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。 この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-11-16T09:37:07Z)

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。