論文の概要: Deep Learning-Driven Ultra-High-Definition Image Restoration: A Survey

• arxiv url: http://arxiv.org/abs/2505.16161v1
• Date: Thu, 22 May 2025 03:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.000184
• Title: Deep Learning-Driven Ultra-High-Definition Image Restoration: A Survey
• Title（参考訳）: 深層学習駆動型超高精細画像復元:サーベイ
• Authors: Liyan Wang, Weixiang Zhou, Cong Wang, Kin-Man Lam, Zhixun Su, Jinshan Pan,
• Abstract要約: 超高精細画像(UHD)画像復元は、超高精細画像の品質劣化の問題を特に解決することを目的としている。 この分野での最近の進歩は、主にディープラーニングベースのイノベーションによって引き起こされている。 我々は,UHD画像復元の最近の進歩を体系的にレビューし,データセット構築からアルゴリズム設計まで,様々な側面を網羅した。
• 参考スコア（独自算出の注目度）: 40.76611383104126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-high-definition (UHD) image restoration aims to specifically solve the problem of quality degradation in ultra-high-resolution images. Recent advancements in this field are predominantly driven by deep learning-based innovations, including enhancements in dataset construction, network architecture, sampling strategies, prior knowledge integration, and loss functions. In this paper, we systematically review recent progress in UHD image restoration, covering various aspects ranging from dataset construction to algorithm design. This serves as a valuable resource for understanding state-of-the-art developments in the field. We begin by summarizing degradation models for various image restoration subproblems, such as super-resolution, low-light enhancement, deblurring, dehazing, deraining, and desnowing, and emphasizing the unique challenges of their application to UHD image restoration. We then highlight existing UHD benchmark datasets and organize the literature according to degradation types and dataset construction methods. Following this, we showcase major milestones in deep learning-driven UHD image restoration, reviewing the progression of restoration tasks, technological developments, and evaluations of existing methods. We further propose a classification framework based on network architectures and sampling strategies, helping to clearly organize existing methods. Finally, we share insights into the current research landscape and propose directions for further advancements. A related repository is available at https://github.com/wlydlut/UHD-Image-Restoration-Survey.
• Abstract（参考訳）: 超高精細画像(UHD)画像復元は、超高精細画像の品質劣化の問題を特に解決することを目的としている。 この分野での最近の進歩は、データセットの構築、ネットワークアーキテクチャ、サンプリング戦略、事前知識の統合、損失関数の強化など、ディープラーニングベースのイノベーションによって大きく推進されている。 本稿では,UHD画像復元の最近の進歩を体系的にレビューし,データセット構築からアルゴリズム設計まで,さまざまな側面について述べる。 これは、この分野における最先端の開発を理解するための貴重なリソースとして役立ちます。 本稿では,超解像,低照度化,脱臭,脱灰,脱灰,脱灰,脱灰などの様々な画像修復サブプロブレムの分解モデルを要約し,UHD画像復元への応用のユニークな課題を強調することから始める。 次に、既存のUHDベンチマークデータセットを強調し、劣化タイプとデータセット構築方法に従って文献を整理する。 次に, 深層学習駆動型UHD画像復元における大きなマイルストーン, 修復作業の進捗状況, 技術開発, 既存手法の評価について紹介する。 さらに、ネットワークアーキテクチャとサンプリング戦略に基づく分類フレームワークを提案し、既存の手法を明確に整理するのに役立つ。 最後に、現在の研究状況についての知見を共有し、さらなる発展に向けた方向性を提案する。 関連するリポジトリはhttps://github.com/wlydlut/UHD-Image-Restoration-Survey.comにある。

関連論文リスト

• Decouple to Reconstruct: High Quality UHD Restoration via Active Feature Disentanglement and Reversible Fusion [77.08942160610478]
  超高精細画像復元(UHD)は、高解像度のため、しばしば計算ボトルネックや情報損失に直面している。 本稿では,より難解な劣化情報を潜時空間に符号化しながら,容易に復元可能な背景情報を破棄する制御付き微分遠絡型VAEを提案する。 提案手法は,UHD画像復元の精度を向上し,UHD画像復元の6つの課題を1Mパラメータのみで実現し,VAEモデルにおける情報損失問題を効果的に軽減する。
  論文  参考訳（メタデータ） (2025-03-17T02:55:18Z)
• State-of-the-Art Transformer Models for Image Super-Resolution: Techniques, Challenges, and Applications [0.0]
  Image Super-Resolutionは、解像度の低い画像から高解像度の画像を復元することを目的としている。 近年のトランス方式の進歩により画像の超解像化が進んでいる。
  論文  参考訳（メタデータ） (2025-01-14T05:43:59Z)
• A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing [5.6223397629993626]
  我々は高次劣化画像(HDI-PRNet)のための新しいプログレッシブ復元ネットワークを提案する。 本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-10T05:08:39Z)
• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)とは、ノイズ、ぼかし、気象効果などの劣化を除去しながら、画像の視覚的品質を改善する過程である。 従来のIR手法は、一般的に特定の種類の劣化をターゲットとしており、複雑な歪みを伴う現実のシナリオにおいて、その効果を制限している。 オールインワン画像復元(AiOIR)パラダイムが登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)
• 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)
• SSP-IR: Semantic and Structure Priors for Diffusion-based Realistic Image Restoration [20.873676111265656]
  SSP-IRは、低画質の画像からセマンティックと構造をフル活用することを目的としている。 提案手法は,合成および実世界のデータセットにおいて,他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2024-07-04T04:55:14Z)
• InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
  本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。 InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-01-29T18:53:33Z)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)

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。