論文の概要: EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion

• arxiv url: http://arxiv.org/abs/2511.05873v2
• Date: Wed, 12 Nov 2025 01:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 16:10:52.775228
• Title: EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion
• Title（参考訳）: EndoIR:ノイズ・アウェア・ルーティング拡散による1対1の内視鏡的画像修復
• Authors: Tong Chen, Xinyu Ma, Long Bai, Wenyang Wang, Yue Sun, Luping Zhou,
• Abstract要約: 内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の復元方法は一般にタスク固有であり、しばしば分解型の事前知識を必要とする。 単一モデルを用いて複数の劣化型を復元する,劣化非依存拡散に基づくフレームワークであるEndoIRを提案する。
• 参考スコア（独自算出の注目度）: 46.28090293978096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Endoscopic images often suffer from diverse and co-occurring degradations such as low lighting, smoke, and bleeding, which obscure critical clinical details. Existing restoration methods are typically task-specific and often require prior knowledge of the degradation type, limiting their robustness in real-world clinical use. We propose EndoIR, an all-in-one, degradation-agnostic diffusion-based framework that restores multiple degradation types using a single model. EndoIR introduces a Dual-Domain Prompter that extracts joint spatial-frequency features, coupled with an adaptive embedding that encodes both shared and task-specific cues as conditioning for denoising. To mitigate feature confusion in conventional concatenation-based conditioning, we design a Dual-Stream Diffusion architecture that processes clean and degraded inputs separately, with a Rectified Fusion Block integrating them in a structured, degradation-aware manner. Furthermore, Noise-Aware Routing Block improves efficiency by dynamically selecting only noise-relevant features during denoising. Experiments on SegSTRONG-C and CEC datasets demonstrate that EndoIR achieves state-of-the-art performance across multiple degradation scenarios while using fewer parameters than strong baselines, and downstream segmentation experiments confirm its clinical utility.
• Abstract（参考訳）: 内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の修復法は一般にタスク固有であり、しばしば分解型の事前知識を必要とし、実際の臨床使用においてその堅牢性を制限する。 一つのモデルを用いて複数の劣化型を復元する、オールインワンで劣化に依存しない拡散に基づくフレームワークであるEndoIRを提案する。 EndoIRはDual-Domain Prompterを導入し、共同空間周波数の特徴を抽出し、適応的な埋め込みと、共有キューとタスク固有のキューの両方を復調の条件としてエンコードする。 従来の結合型コンディショニングにおける特徴混在を軽減するため, クリーンかつ劣化した入力を別々に処理するDual-Stream Diffusionアーキテクチャを, 構造化された劣化対応の方法で統合したRectified Fusion Blockを用いて設計した。 さらに、ノイズ対応ルーティングブロックは、ノイズ関連の特徴のみを動的に選択することで効率を向上する。 SegSTRONG-CとCECデータセットの実験では、EndoIRは強力なベースラインよりも少ないパラメータを使用しながら、複数の劣化シナリオで最先端のパフォーマンスを実現しており、下流セグメンテーション実験はその臨床的有用性を確認している。

関連論文リスト

• Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
  現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。 本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。 その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
  論文  参考訳（メタデータ） (2025-11-07T01:50:36Z)
• QWD-GAN: Quality-aware Wavelet-driven GAN for Unsupervised Medical Microscopy Images Denoising [2.99938892718088]
  本稿では,GANアーキテクチャに基づく教師なし画像復調手法を提案する。 提案手法は最先端の復調性能,特に高周波情報の保存に優れる。
  論文  参考訳（メタデータ） (2025-09-19T09:41:48Z)
• Lightweight Physics-Informed Zero-Shot Ultrasound Plane Wave Denoising [1.912429179274357]
  超音波コヒーレント平面波合成(CPWC)は、複数のステアリング伝送からのエコーを組み合わせることにより、画像コントラストを向上させる。 低角CPWC取得に適したゼロショット復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-26T17:28:32Z)
• RDEIC: Accelerating Diffusion-Based Extreme Image Compression with Relay Residual Diffusion [29.277211609920155]
  Relay Residual Diffusion Extreme Image Compression (RDEIC)を提案する。 まず, 純雑音ではなく, 付加雑音を付加した画像の圧縮潜時特徴を出発点として, 復調過程の不要な初期段階を除去する。 RDEICは、最先端の視覚的品質を実現し、既存の拡散に基づく極端画像圧縮手法よりも忠実さと効率性が優れている。
  論文  参考訳（メタデータ） (2024-10-03T16:24:20Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image [53.76319163746699]
  そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。 CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。 最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
  論文  参考訳（メタデータ） (2022-03-24T11:59:28Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)

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。