論文の概要: Pruning Overparameterized Multi-Task Networks for Degraded Web Image Restoration

• arxiv url: http://arxiv.org/abs/2510.14463v1
• Date: Thu, 16 Oct 2025 09:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.792713
• Title: Pruning Overparameterized Multi-Task Networks for Degraded Web Image Restoration
• Title（参考訳）: 劣化Web画像復元のための過度パラメータ化マルチタスクネットワークの構築
• Authors: Thomas Katraouras, Dimitrios Rafailidis,
• Abstract要約: マルチタスク画像復元モデルを圧縮する手法を提案する。 提案手法は,低マグニチュード重みを除去する反復的プルーニング戦略を用いて,MIR-Lモデルを提案する。 テストの結果、MIR-Lはトレーニング可能なパラメータの10%しか保持せず、高い画像復元性能を維持していることがわかった。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image quality is a critical factor in delivering visually appealing content on web platforms. However, images often suffer from degradation due to lossy operations applied by online social networks (OSNs), negatively affecting user experience. Image restoration is the process of recovering a clean high-quality image from a given degraded input. Recently, multi-task (all-in-one) image restoration models have gained significant attention, due to their ability to simultaneously handle different types of image degradations. However, these models often come with an excessively high number of trainable parameters, making them computationally inefficient. In this paper, we propose a strategy for compressing multi-task image restoration models. We aim to discover highly sparse subnetworks within overparameterized deep models that can match or even surpass the performance of their dense counterparts. The proposed model, namely MIR-L, utilizes an iterative pruning strategy that removes low-magnitude weights across multiple rounds, while resetting the remaining weights to their original initialization. This iterative process is important for the multi-task image restoration model's optimization, effectively uncovering "winning tickets" that maintain or exceed state-of-the-art performance at high sparsity levels. Experimental evaluation on benchmark datasets for the deraining, dehazing, and denoising tasks shows that MIR-L retains only 10% of the trainable parameters while maintaining high image restoration performance. Our code, datasets and pre-trained models are made publicly available at https://github.com/Thomkat/MIR-L.
• Abstract（参考訳）: 画像の品質は、視覚的に魅力的なコンテンツをWebプラットフォームで提供する上で重要な要素である。 しかし、画像はオンラインソーシャルネットワーク(OSN)が適用した損失処理によって劣化し、ユーザエクスペリエンスに悪影響を及ぼすことが多い。 画像復元は、与えられた劣化した入力からクリーンな高品質な画像を復元するプロセスである。 近年,マルチタスク(オールインワン)画像復元モデルが注目されている。 しかし、これらのモデルには過度に多くのトレーニング可能なパラメータが伴うことが多く、計算的に非効率である。 本稿では,マルチタスク画像復元モデルを圧縮する手法を提案する。 過度にパラメータ化された深層モデル内で,密度の高いサブネットの性能にマッチしたり,あるいは超えたりできる,疎結合なサブネットワークの発見を目指す。 提案したモデル,すなわちMIR-Lは,複数ラウンドにわたる低マグニチュード重みを除去し,残りの重みを元の初期化にリセットする反復的プルーニング戦略を利用する。 この反復処理はマルチタスク画像復元モデルの最適化において重要である。 MIR-Lは、高い画像復元性能を維持しながらトレーニング可能なパラメータの10%しか保持していないことを示す。 私たちのコード、データセット、トレーニング済みモデルはhttps://github.com/Thomkat/MIR-L.comで公開されています。

関連論文リスト

• UniCoRN: Latent Diffusion-based Unified Controllable Image Restoration Network across Multiple Degradations [4.892790389883125]
  複数種類の劣化を同時に処理できる統一画像復元手法UniCoRNを提案する。 具体的には、制御可能な拡散モデルを導く際に、画像から抽出した低レベルの視覚的手がかりの可能性を明らかにする。 MetaRestoreも導入しています。MetaRestoreは、複数の劣化やアーティファクトの画像を含むメタレンスイメージングベンチマークです。
  論文  参考訳（メタデータ） (2025-03-20T05:42:13Z)
• HAIR: Hypernetworks-based All-in-One Image Restoration [46.681872835394095]
  HairはHypernetworksベースのオールインワンイメージ復元プラグイン・アンド・プレイ方式である。 入力画像に基づいてパラメータを生成し、モデルを動的に特定の劣化に適応させる。 シングルタスクとオールインワンの設定の両方において、既存の画像復元モデルの性能をプラグアンドプレイで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-08-15T11:34:33Z)
• Learning from History: Task-agnostic Model Contrastive Learning for Image Restoration [79.04007257606862]
  本稿では,対象モデル自体から負のサンプルを動的に生成する「歴史からの学習」という革新的な手法を提案する。 我々のアプローチはMCLIR(Model Contrastive Learning for Image Restoration)と呼ばれ、遅延モデルを負のモデルとして再定義し、多様な画像復元タスクと互換性を持たせる。
  論文  参考訳（メタデータ） (2023-09-12T07:50:54Z)
• MOFA: A Model Simplification Roadmap for Image Restoration on Mobile Devices [17.54747506334433]
  本稿では,展開前の画像復元モデルをさらに高速化するロードマップを提案する。 提案手法は,PSNRとSSIMを増大させながら,ランタイムを最大13%削減し,パラメータ数を最大23%削減する。
  論文  参考訳（メタデータ） (2023-08-24T01:29:15Z)
• Rethinking PRL: A Multiscale Progressively Residual Learning Network for Inverse Halftoning [3.632876183725243]
  逆ハーフトニングは古典的な画像復元作業であり、バイレベルピクセルのみでハーフトーン画像から連続トーン画像を復元することを目的としている。 本稿では,UNetアーキテクチャを持ち,マルチスケールな入力画像を取得する,エンドツーエンドのマルチスケール・残留学習ネットワーク(MSPRL)を提案する。
  論文  参考訳（メタデータ） (2023-05-27T03:37:33Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)

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。