論文の概要: Degradation-Aware Feature Perturbation for All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2505.12630v1
• Date: Mon, 19 May 2025 02:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.358793
• Title: Degradation-Aware Feature Perturbation 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劣化認識型特徴摂動
• Authors: Xiangpeng Tian, Xiangyu Liao, Xiao Liu, Meng Li, Chao Ren,
• Abstract要約: オールインワン画像復元は、様々な劣化タイプやレベルから鮮明な画像を統一モデルで復元することを目的としている。 DFPIRは、特徴空間を統一されたパラメータ空間に合わせるように調整するために、分解を意識した特徴摂動を導入した。 DFPIRは、画像のデノイング、画像のデハージング、画像のデライニング、モーションのデブロアリング、低照度画像のエンハンスメントを含む複数のオールインワン画像復元タスクにおいて、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 7.062305871428267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-in-one image restoration aims to recover clear images from various degradation types and levels with a unified model. Nonetheless, the significant variations among degradation types present challenges for training a universal model, often resulting in task interference, where the gradient update directions of different tasks may diverge due to shared parameters. To address this issue, motivated by the routing strategy, we propose DFPIR, a novel all-in-one image restorer that introduces Degradation-aware Feature Perturbations(DFP) to adjust the feature space to align with the unified parameter space. In this paper, the feature perturbations primarily include channel-wise perturbations and attention-wise perturbations. Specifically, channel-wise perturbations are implemented by shuffling the channels in high-dimensional space guided by degradation types, while attention-wise perturbations are achieved through selective masking in the attention space. To achieve these goals, we propose a Degradation-Guided Perturbation Block (DGPB) to implement these two functions, positioned between the encoding and decoding stages of the encoder-decoder architecture. Extensive experimental results demonstrate that DFPIR achieves state-of-the-art performance on several all-in-one image restoration tasks including image denoising, image dehazing, image deraining, motion deblurring, and low-light image enhancement. Our codes are available at https://github.com/TxpHome/DFPIR.
• Abstract（参考訳）: オールインワン画像復元は、様々な劣化タイプやレベルから鮮明な画像を統一モデルで復元することを目的としている。 それにもかかわらず、劣化型の顕著な違いは、普遍的なモデルをトレーニングする上での課題であり、しばしばタスク干渉が発生し、異なるタスクの勾配更新方向が共有パラメータによって分岐する可能性がある。 この問題に対処するために、ルーティング戦略に動機づけられたDFPIRを提案する。DFPIRは、デグレーション対応の特徴摂動(DFP)を導入し、特徴空間を統一されたパラメータ空間に整合させる。 本稿では,主にチャネルの摂動と注意の摂動を含む特徴摂動について述べる。 具体的には、劣化型によって誘導される高次元空間でチャネルをシャッフルすることでチャネル回りの摂動を実現し、注意方向の摂動は注意空間における選択的マスキングによって達成する。 これらの目的を達成するために、エンコーダ・デコーダアーキテクチャの符号化と復号の段階の間に位置する2つの関数を実装するための劣化誘導摂動ブロック(DGPB)を提案する。 DFPIRは,画像のデノイング,画像のデハージング,画像のデライニング,モーションのデブロアリング,低照度画像の強化など,複数のオールインワン画像復元作業において,最先端の処理性能を達成することを示す。 私たちのコードはhttps://github.com/TxpHome/DFPIR.comで公開されています。

関連論文リスト

• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [49.35128836844725]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• AllRestorer: All-in-One Transformer for Image Restoration under Composite Degradations [52.076067325999226]
  本稿では,新しいトランスフォーマーベースの復元フレームワークAllRestorerを提案する。 AllRestorerは、すべてのイメージ障害を適応的に考慮し、シーンディスクリプタのミスダイレクトによるエラーを避ける。 CDD-11データセットのベースラインと比較して,AllRestorerはPSNRの5.00dB増加を実現している。
  論文  参考訳（メタデータ） (2024-11-16T05:30:55Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Boosting Visual Recognition in Real-world Degradations via Unsupervised Feature Enhancement Module with Deep Channel Prior [22.323789227447755]
  霧、低照度、動きのぼかしは画像の品質を低下させ、自動運転の安全性を脅かす。 本研究は、劣化した視覚認識のための新しいDeep Channel Prior (DCP)を提案する。 これに基づいて、教師なし特徴補正を実現するために、新しいプラグアンドプレイunsupervised Feature Enhancement Module (UFEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T07:16:56Z)
• AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
  周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。 我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。 提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
  論文  参考訳（メタデータ） (2024-03-21T17:58:14Z)
• 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)
• 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)

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。