Fugu-MT 論文翻訳(概要): EAMamba: Efficient All-Around Vision State Space Model for Image Restoration

論文の概要: EAMamba: Efficient All-Around Vision State Space Model for Image Restoration

arxiv url: http://arxiv.org/abs/2506.22246v1
Date: Fri, 27 Jun 2025 14:12:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-30 21:12:23.230386
Title: EAMamba: Efficient All-Around Vision State Space Model for Image Restoration
Title（参考訳）: EAMamba: 画像復元のための効率的な全周視覚状態空間モデル
Authors: Yu-Cheng Lin, Yu-Syuan Xu, Hao-Wei Chen, Hsien-Kai Kuo, Chun-Yi Lee,
Abstract要約: 本研究では,マルチヘッド選択走査モジュール(MHSSM)と全周走査機構を組み込んだ拡張フレームワークであるEfficient All-Around Mamba (EAMamba)を紹介する。 EAMambaは、既存の低レベルのVision Mamba法と比較して、FLOPの大幅な31～89%の削減を実現している。
参考スコア（独自算出の注目度）: 11.190025966582041
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Image restoration is a key task in low-level computer vision that aims to reconstruct high-quality images from degraded inputs. The emergence of Vision Mamba, which draws inspiration from the advanced state space model Mamba, marks a significant advancement in this field. Vision Mamba demonstrates excellence in modeling long-range dependencies with linear complexity, a crucial advantage for image restoration tasks. Despite its strengths, Vision Mamba encounters challenges in low-level vision tasks, including computational complexity that scales with the number of scanning sequences and local pixel forgetting. To address these limitations, this study introduces Efficient All-Around Mamba (EAMamba), an enhanced framework that incorporates a Multi-Head Selective Scan Module (MHSSM) with an all-around scanning mechanism. MHSSM efficiently aggregates multiple scanning sequences, which avoids increases in computational complexity and parameter count. The all-around scanning strategy implements multiple patterns to capture holistic information and resolves the local pixel forgetting issue. Our experimental evaluations validate these innovations across several restoration tasks, including super resolution, denoising, deblurring, and dehazing. The results validate that EAMamba achieves a significant 31-89% reduction in FLOPs while maintaining favorable performance compared to existing low-level Vision Mamba methods.
Abstract（参考訳）: 画像復元は、劣化した入力から高品質な画像を再構成することを目的とした、低レベルのコンピュータビジョンにおける重要なタスクである。先進的な状態空間モデルであるMambaからインスピレーションを得たVision Mambaの出現は、この分野において大きな進歩を示している。 Vision Mamba氏は、画像復元タスクにとって重要な利点である線形複雑性による長距離依存関係のモデリングにおける卓越性を実証している。その強みにもかかわらず、Vision Mambaは低レベルのビジョンタスクにおいて、スキャンシーケンスの数やローカルピクセルの忘れ物数に応じてスケールする計算複雑性など、課題に直面している。これらの制約に対処するために,マルチヘッド選択走査モジュール(MHSSM)と全周走査機構を備えた拡張フレームワークであるEfficient All-Around Mamba(EAMamba)を導入する。 MHSSMは複数のスキャニングシーケンスを効率的に集約し、計算複雑性とパラメータ数の増加を避ける。オールアラウンドスキャニング戦略は複数のパターンを実装し、全体的情報をキャプチャし、局所的な画素忘れの問題を解決する。われわれは,超解像,デノイング,デブロアリング,デハジングなど,いくつかの修復作業において,これらのイノベーションを検証する実験を行った。その結果,EAMambaは従来の低レベルのVision Mamba法に比べて良好な性能を維持しつつ,FLOPの31～89%の大幅な削減を実現していることがわかった。

関連論文リスト

DefMamba: Deformable Visual State Space Model [65.50381013020248]
我々はDefMambaと呼ばれる新しい視覚基盤モデルを提案する。変形性スキャン(DS)戦略を組み合わせることで、画像構造を学習し、オブジェクトの細部の変化を検出する能力を大幅に向上する。多くの実験により、DefMambaは様々な視覚的タスクで最先端のパフォーマンスを達成することが示されている。
論文参考訳（メタデータ） (2025-04-08T08:22:54Z)
DAMamba: Vision State Space Model with Dynamic Adaptive Scan [51.81060691414399]
状態空間モデル(SSM)は近年、コンピュータビジョンにおいて大きな注目を集めている。スキャン順序と領域を適応的に割り当てるデータ駆動型動的適応スキャン(DAS)を提案する。 DASをベースとしたビジョンバックボーンDAMambaの提案は,現在のビジョンタスクにおけるMambaモデルよりもはるかに優れている。
論文参考訳（メタデータ） (2025-02-18T08:12:47Z)
Detail Matters: Mamba-Inspired Joint Unfolding Network for Snapshot Spectral Compressive Imaging [40.80197280147993]
本研究では,HSI再建の非線形および不適切な特徴を克服するために,マンバインスパイアされたジョイント・アンフォールディング・ネットワーク(MiJUN)を提案する。本稿では,初期最適化段階への依存を減らすために,高速化された展開ネットワーク方式を提案する。テンソルモード-$k$展開をMambaネットワークに統合することにより,Mambaによる走査戦略を洗練する。
論文参考訳（メタデータ） (2025-01-02T13:56:23Z)
MLLA-UNet: Mamba-like Linear Attention in an Efficient U-Shape Model for Medical Image Segmentation [6.578088710294546]
従来のセグメンテーション手法は、高い解剖学的変動、ぼやけた組織の境界、低い臓器コントラスト、ノイズといった課題に対処するのに苦労する。 MLLA-UNet(Mamba-like Linear Attention UNet)を提案する。 MLLA-UNetは、FLARE22、AMOS CT、ACDCに限らず、24の異なるセグメンテーションタスクを持つ6つの挑戦的なデータセットに対して、平均88.32%の最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2024-10-31T08:54:23Z)
Hi-Mamba: Hierarchical Mamba for Efficient Image Super-Resolution [42.259283231048954]
状態空間モデル(SSM)は、線形複雑性を伴う長距離依存性をモデル化する上で、強力な表現能力を示している。画像超解像(SR)のための新しい階層型マンバネットワーク、すなわちHi-Mambaを提案する。
論文参考訳（メタデータ） (2024-10-14T04:15:04Z)
Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
論文参考訳（メタデータ） (2024-08-01T15:14:10Z)
Visual Haystacks: A Vision-Centric Needle-In-A-Haystack Benchmark [63.296342841358815]
大規模マルチモーダルモデル(LMM)は、単一画像に対する視覚的質問応答において大きな進歩を遂げている。多数の視覚トークンを処理する能力は、複数画像の質問応答に対する効果的な検索と推論を保証するものではない。オープンソースで軽量なビジュアルRAGフレームワークであるMIRAGEを導入し、単一の40G A100 GPU上で最大10Kイメージを処理する。
論文参考訳（メタデータ） (2024-07-18T17:59:30Z)
Multi-Scale VMamba: Hierarchy in Hierarchy Visual State Space Model [26.786890883280062]
状態空間モデル(SSM)は、その大域的受容場と線形複雑性のために広く注目を集めている。視覚タスクにおけるSSMの性能向上のために,マルチスキャン戦略が広く採用されている。本稿では,MSVMamba(Multi-Scale Vision Mamba)を導入し,限られたパラメータを持つ視覚タスクにおけるSSMの優位性を維持する。
論文参考訳（メタデータ） (2024-05-23T04:59:49Z)
Rethinking Scanning Strategies with Vision Mamba in Semantic Segmentation of Remote Sensing Imagery: An Experimental Study [7.334290421966221]
画像のセマンティックセグメンテーションにおける主流走査方向とそれらの組み合わせの影響について検討する。高解像度リモートセンシング画像のセマンティックセグメンテーションには、単純で単一の走査方向が十分であると考えられる。
論文参考訳（メタデータ） (2024-05-14T10:36:56Z)
Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-02-05T18:58:11Z)
VMamba: Visual State Space Model [98.0517369083152]
状態空間言語モデルであるMambaを、線形時間複雑性を持つビジョンバックボーンであるVMambaに適合させる。 VMambaのコアには2D Selective Scan (SS2D)モジュールを備えたVisual State-Space (VSS)ブロックのスタックがある。
論文参考訳（メタデータ） (2024-01-18T17:55:39Z)

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。