論文の概要: Sharing the Learned Knowledge-base to Estimate Convolutional Filter Parameters for Continual Image Restoration

• arxiv url: http://arxiv.org/abs/2511.05421v1
• Date: Fri, 07 Nov 2025 16:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.844184
• Title: Sharing the Learned Knowledge-base to Estimate Convolutional Filter Parameters for Continual Image Restoration
• Title（参考訳）: 連続画像復元のための学習知識ベースを用いた畳み込みフィルタパラメータの推定
• Authors: Aupendu Kar, Krishnendu Ghosh, Prabir Kumar Biswas,
• Abstract要約: 本稿では,従来の復元作業から得た知識を,メインのバックボーンアーキテクチャに触れることなく適応させるために,畳み込み層を簡易に修正することを提案する。 他の手法とは異なり、我々のモデルは計算オーバーヘッドや推論時間を著しく増加させることなく、トレーニング可能なパラメータの数を増やすことができることを示した。
• 参考スコア（独自算出の注目度）: 7.116541784404478
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Continual learning is an emerging topic in the field of deep learning, where a model is expected to learn continuously for new upcoming tasks without forgetting previous experiences. This field has witnessed numerous advancements, but few works have been attempted in the direction of image restoration. Handling large image sizes and the divergent nature of various degradation poses a unique challenge in the restoration domain. However, existing works require heavily engineered architectural modifications for new task adaptation, resulting in significant computational overhead. Regularization-based methods are unsuitable for restoration, as different restoration challenges require different kinds of feature processing. In this direction, we propose a simple modification of the convolution layer to adapt the knowledge from previous restoration tasks without touching the main backbone architecture. Therefore, it can be seamlessly applied to any deep architecture without any structural modifications. Unlike other approaches, we demonstrate that our model can increase the number of trainable parameters without significantly increasing computational overhead or inference time. Experimental validation demonstrates that new restoration tasks can be introduced without compromising the performance of existing tasks. We also show that performance on new restoration tasks improves by adapting the knowledge from the knowledge base created by previous restoration tasks. The code is available at https://github.com/aupendu/continual-restore.
• Abstract（参考訳）: ディープラーニングの分野では、モデルが過去の経験を忘れずに、新しいタスクのために継続的に学習することが期待されている。 この分野は多くの進歩を見てきたが、画像修復の方向に試みられた作品はほとんどない。 大きな画像サイズと様々な劣化の発散性を扱うことは、修復領域においてユニークな課題である。 しかし、既存の作業では、新しいタスク適応のための高度な設計上の変更が必要となり、計算オーバーヘッドが大幅に増大した。 正規化に基づく手法は、異なる復元課題が異なる種類の特徴処理を必要とするため、復元には適さない。 そこで本研究では,従来の復元作業からの知識をメインのバックボーンアーキテクチャに触れることなく,簡単な畳み込み層の変更を提案する。 したがって、構造的な変更を加えることなく、どんなディープアーキテクチャにもシームレスに適用することができる。 他の手法とは異なり、我々のモデルは計算オーバーヘッドや推論時間を著しく増加させることなく、トレーニング可能なパラメータの数を増やすことができることを示した。 実験的な検証により、既存のタスクのパフォーマンスを損なうことなく、新しい復元タスクを導入できることが示される。 また, 従来の修復作業による知識ベースから知識を適応させることにより, 新たな復元作業の性能の向上が図られている。 コードはhttps://github.com/aupendu/continual-restore.comから入手できる。

関連論文リスト

• Image Restoration via Multi-domain Learning [8.909636477353695]
  マルチドメイン学習をTransformerに統合する新しい復元フレームワークを提案する。 具体的には、Token Mixerにおいて、局所領域-グローバル多受容場モデリングを容易にするSpatial-Wavelet-Fourierマルチドメイン構造を提案する。 フィードフォワードネットワークでは,異なる解像度でマルチドメイン機能を融合するために,マルチスケール学習を取り入れている。
  論文  参考訳（メタデータ） (2025-05-07T04:14:51Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• Restorer: Removing Multi-Degradation with All-Axis Attention and Prompt Guidance [12.066756224383827]
  textbfRestorerはトランスフォーマーベースのオールインワン画像復元モデルである。 追加のトレーニングを必要とせずに、現実世界のシナリオで複合的な劣化を処理することができる。 推論中は効率が良く、現実世界の応用の可能性も示唆している。
  論文  参考訳（メタデータ） (2024-06-18T13:18:32Z)
• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• Fine-Grained Knowledge Selection and Restoration for Non-Exemplar Class Incremental Learning [64.14254712331116]
  非典型的なクラスインクリメンタル学習は、過去のトレーニングデータにアクセスすることなく、新しいタスクと古いタスクの両方を学ぶことを目的としている。 本稿では, きめ細かい知識選択と復元のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-20T02:34:11Z)
• SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
  セマンティック・復元型画像復元フレームワークであるSPIREを開発した。 本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。 本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
  論文  参考訳（メタデータ） (2023-12-18T17:02:30Z)
• Heterogeneous Continual Learning [88.53038822561197]
  本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。 本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。 また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
  論文  参考訳（メタデータ） (2023-06-14T15:54:42Z)
• LIRA: Lifelong Image Restoration from Unknown Blended Distortions [33.91806781681914]
  そこで本研究では,ブレンド歪みに対する生涯画像復元問題を提案する。 まず,個別歪み除去タスクを専門とする複数の事前訓練されたエキスパートモデルを協調的に動作させるベースフォークジョイントモデルを設計する。 我々は、以前トレーニングされたモデルが新しいエキスパートブランチを組み込んで、新しい知識を継続的に蓄積する神経成長戦略を開発する。
  論文  参考訳（メタデータ） (2020-08-19T03:35:45Z)
• Blind Image Restoration without Prior Knowledge [0.22940141855172028]
  本稿では, 自己Normalization Side-Chain (SCNC) について述べる。 SCNCは既存のCNNトポロジに追加することができ、ネットワークの他の部分とエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2020-03-03T19:57:33Z)

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。