論文の概要: SPJFNet: Self-Mining Prior-Guided Joint Frequency Enhancement for Ultra-Efficient Dark Image Restoration
- arxiv url: http://arxiv.org/abs/2508.04041v1
- Date: Wed, 06 Aug 2025 03:06:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.520013
- Title: SPJFNet: Self-Mining Prior-Guided Joint Frequency Enhancement for Ultra-Efficient Dark Image Restoration
- Title（参考訳）: SPJFNet:超高能率暗黒画像復元のためのセルフマイニング前手関節周波数強調
- Authors: Tongshun Zhang, Pingling Liu, Zijian Zhang, Qiuzhan Zhou,
- Abstract要約: 現在の暗黒画像復元法は、深刻な効率のボトルネックに悩まされている。
本稿では,SPJFNetを用いた自己マイニング事前誘導型結合周波数拡張ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 3.2735437407166414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current dark image restoration methods suffer from severe efficiency bottlenecks, primarily stemming from: (1) computational burden and error correction costs associated with reliance on external priors (manual or cross-modal); (2) redundant operations in complex multi-stage enhancement pipelines; and (3) indiscriminate processing across frequency components in frequency-domain methods, leading to excessive global computational demands. To address these challenges, we propose an Efficient Self-Mining Prior-Guided Joint Frequency Enhancement Network (SPJFNet). Specifically, we first introduce a Self-Mining Guidance Module (SMGM) that generates lightweight endogenous guidance directly from the network, eliminating dependence on external priors and thereby bypassing error correction overhead while improving inference speed. Second, through meticulous analysis of different frequency domain characteristics, we reconstruct and compress multi-level operation chains into a single efficient operation via lossless wavelet decomposition and joint Fourier-based advantageous frequency enhancement, significantly reducing parameters. Building upon this foundation, we propose a Dual-Frequency Guidance Framework (DFGF) that strategically deploys specialized high/low frequency branches (wavelet-domain high-frequency enhancement and Fourier-domain low-frequency restoration), decoupling frequency processing to substantially reduce computational complexity. Rigorous evaluation across multiple benchmarks demonstrates that SPJFNet not only surpasses state-of-the-art performance but also achieves significant efficiency improvements, substantially reducing model complexity and computational overhead. Code is available at https://github.com/bywlzts/SPJFNet.
- Abstract（参考訳）: 現在の暗黒画像復元法は,(1)外部の先行(手動またはクロスモーダル)に依存した計算負担と誤り訂正コスト,(2)複雑な多段拡張パイプラインにおける冗長な操作,(3)周波数領域法における周波数成分間の非識別処理により,過度にグローバルな計算要求が生じることから,高い効率のボトルネックに悩まされている。
これらの課題に対処するため,我々はSPJFNet (Efficient Self-Mining Prior-Guided Joint Frequency Enhancement Network) を提案する。
具体的には、まず、ネットワークから直接軽量な内因性誘導を生成するセルフマイニングガイダンスモジュール(SMGM)を導入し、外部の事前依存性を排除し、推論速度を改善しながらエラー訂正オーバーヘッドを回避した。
第二に、周波数領域特性の微妙な解析により、損失のないウェーブレット分解とジョイントフーリエに基づく有利な周波数強調により、マルチレベル演算チェーンを単一の効率的な演算に再構成し、圧縮し、パラメータを著しく削減する。
この基盤を基盤として,高周波数分岐(ウェーブレット領域の高周波数拡張とフーリエ領域の低周波数復元)を戦略的に展開するDual-Frequency Guidance Framework(DFGF)を提案する。
複数のベンチマークによる厳密な評価は、SPJFNetが最先端の性能を上回るだけでなく、大幅な効率向上を実現し、モデルの複雑さと計算オーバーヘッドを大幅に削減していることを示している。
コードはhttps://github.com/bywlzts/SPJFNetで入手できる。
関連論文リスト
- PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction [29.64140868907608]
周波数分離時系列予測フレームワークであるPAF-Netを提案する。
周波数領域エネルギーで導かれる位相相関アライメント法による時間差品質系列の同期
離散コサイン変換(DCT)分解と組み合わせた周波数独立型パッチアテンション機構により不均一な操作特徴を捉える。
4つの実世界のデータセットの実験は、PAF-Netの優位性を示している。
論文 参考訳（メタデータ） (2025-07-30T16:56:42Z) - Efficient Dual-domain Image Dehazing with Haze Prior Perception [17.18810808188725]
トランスフォーマーベースのモデルは、シングルイメージのデハージングにおいて強力なグローバルモデリング能力を示すが、その高い計算コストはリアルタイム適用性を制限する。
そこで我々はDGFDNet(Dark Channel Guided Frequency-aware Dehazing Network)を提案する。
4つのベンチマークハウズデータセットの実験により、DGFDNetは、より優れた堅牢性とリアルタイム効率で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） (2025-07-15T06:56:56Z) - A High-Fidelity Speech Super Resolution Network using a Complex Global Attention Module with Spectro-Temporal Loss [2.209230432078302]
音声超解像(SSR)はサンプリング率を高めて低分解能音声を強化する。
近年の研究では、知覚品質向上のための位相再構成の重要性が強調されている。
我々は、複雑なSSRタスクを改善するために、複雑なドメインにおける大きさと位相の両方を再構成する複雑な時間周波数変換ネットワークであるCTFT-Netを紹介する。
論文 参考訳（メタデータ） (2025-06-30T19:53:15Z) - FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
計算コストの制限による顔超解像(FSR)は未解決の問題である。
既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。
本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
論文 参考訳（メタデータ） (2025-06-17T02:33:42Z) - F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation [10.67983913373955]
F2Netは、UHR画像を特殊な処理のために高周波数成分と低周波数成分に分解する周波数認識フレームワークである。
ハイブリッド周波数融合モジュールは、2つの新しい目的によって導かれるこれらの観測を統合する。
F2Netは、それぞれ80.22のmIoUと83.39の最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-06-09T15:09:49Z) - Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。
単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
論文 参考訳（メタデータ） (2024-06-12T02:48:52Z) - Vocos: Closing the gap between time-domain and Fourier-based neural vocoders for high-quality audio synthesis [1.4277428617774877]
フーリエスペクトル係数を直接生成する新しいモデルであるVocosを提案する。
計算効率を大幅に向上し、時間領域のニューラルネットワークのボコーディングアプローチに比べて、桁違いにスピードが向上する。
論文 参考訳（メタデータ） (2023-06-01T15:40:32Z) - MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。
最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
論文 参考訳（メタデータ） (2023-04-25T05:44:50Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。
フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。
訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
論文 参考訳（メタデータ） (2021-06-01T20:34:52Z)
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。