論文の概要: Physics-Informed Image Restoration via Progressive PDE Integration

• arxiv url: http://arxiv.org/abs/2511.06244v1
• Date: Sun, 09 Nov 2025 06:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.835264
• Title: Physics-Informed Image Restoration via Progressive PDE Integration
• Title（参考訳）: プログレッシブPDE統合による物理インフォームド画像復元
• Authors: Shamika Likhite, Santiago López-Tapia, Aggelos K. Katsaggelos,
• Abstract要約: 物理インフォームドPDEダイナミクスを最先端の復元アーキテクチャに統合するトレーニングフレームワークを提案する。 提案手法は,大域的空間モデリングを原則として実現しつつ,運動ぼけの方向流特性を自然に把握する。 我々のPDE強化デブロアリングモデルは、最小限のオーバーヘッドで優れた復元品質を実現し、GMACの推測に1%程度しか加えていない。
• 参考スコア（独自算出の注目度）: 11.13952011916121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion blur, caused by relative movement between camera and scene during exposure, significantly degrades image quality and impairs downstream computer vision tasks such as object detection, tracking, and recognition in dynamic environments. While deep learning-based motion deblurring methods have achieved remarkable progress, existing approaches face fundamental challenges in capturing the long-range spatial dependencies inherent in motion blur patterns. Traditional convolutional methods rely on limited receptive fields and require extremely deep networks to model global spatial relationships. These limitations motivate the need for alternative approaches that incorporate physical priors to guide feature evolution during restoration. In this paper, we propose a progressive training framework that integrates physics-informed PDE dynamics into state-of-the-art restoration architectures. By leveraging advection-diffusion equations to model feature evolution, our approach naturally captures the directional flow characteristics of motion blur while enabling principled global spatial modeling. Our PDE-enhanced deblurring models achieve superior restoration quality with minimal overhead, adding only approximately 1\% to inference GMACs while providing consistent improvements in perceptual quality across multiple state-of-the-art architectures. Comprehensive experiments on standard motion deblurring benchmarks demonstrate that our physics-informed approach improves PSNR and SSIM significantly across four diverse architectures, including FFTformer, NAFNet, Restormer, and Stripformer. These results validate that incorporating mathematical physics principles through PDE-based global layers can enhance deep learning-based image restoration, establishing a promising direction for physics-informed neural network design in computer vision applications.
• Abstract（参考訳）: 露出中のカメラとシーン間の相対的な移動によって引き起こされる動きのぼかしは、画像の品質を著しく低下させ、オブジェクト検出、トラッキング、動的環境における認識などの下流コンピュータビジョンタスクを損なう。 深層学習に基づくモーションデブロワー法は目覚ましい進歩を遂げてきたが、既存の手法では、動きのぼやけパターンに固有の長距離空間依存を捉えるという根本的な課題に直面している。 伝統的な畳み込み法は限られた受容場に依存し、大域的な空間関係をモデル化するために非常に深いネットワークを必要とする。 これらの制限は、修復中の特徴の進化を導くために物理的な優先順位を組み込んだ代替アプローチの必要性を動機付けている。 本稿では、物理インフォームドPDEダイナミクスを最先端の復元アーキテクチャに組み込むプログレッシブトレーニングフレームワークを提案する。 本研究では, 対流拡散方程式を用いて特徴の進化をモデル化することにより, 地球空間モデリングの原理を実現するとともに, 運動ぼけの方向流特性を自然に把握する。 我々のPDE強化デブロアリングモデルは、最小限のオーバーヘッドで優れた復元品質を実現し、GMACを推定するのに約1\%しか加えず、同時に複数の最先端アーキテクチャにおける知覚品質を一貫した改善を提供する。 FFTformer、NAFNet、Restormer、Stripformerを含む4つの異なるアーキテクチャにおいて、我々の物理インフォームドアプローチはPSNRとSSIMを大幅に改善することを示した。 これらの結果は,PDEに基づくグローバルレイヤによる数学的物理原理の取り入れにより,深層学習に基づく画像復元が促進され,コンピュータビジョンアプリケーションにおける物理インフォームドニューラルネットワーク設計の有望な方向性が確立されることを示す。

関連論文リスト

• PhysCorr: Dual-Reward DPO for Physics-Constrained Text-to-Video Generation with Automated Preference Selection [10.498184571108995]
  本稿では,ビデオ生成における物理一貫性をモデリング,評価,最適化するための統合フレームワークであるPhysCorrを提案する。 具体的には、物体内安定性と物体間相互作用の両方を定量化する最初の2次元報酬モデルである物理RMを紹介する。 我々のアプローチは、モデルに依存しないスケーラブルで、幅広いビデオ拡散とトランスフォーマーベースのバックボーンへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-11-06T02:40:57Z)
• Physics-augmented Multi-task Gaussian Process for Modeling Spatiotemporal Dynamics [4.282746516699566]
  本稿では,動的システムのための物理拡張型マルチタスクガウスプロセス(P-M-GP)フレームワークを提案する。 我々は,物理に基づく規則化スキームを通じて物理法則を定式化することにより,動的原理と整合性のある予測を制約する。 数値実験により,提案手法は既存手法よりも予測精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-10-15T14:33:10Z)
• PhysHMR: Learning Humanoid Control Policies from Vision for Physically Plausible Human Motion Reconstruction [52.44375492811009]
  物理学に基づくシミュレーターにおいて,ヒューマノイド制御のための視覚行動ポリシーを学習する統合フレームワークであるPhysHMRを提案する。 我々のアプローチの重要な要素はピクセル・アズ・レイ戦略であり、2次元のキーポイントを3次元空間に上げ、それらを大域空間に変換する。 PhysHMRは多種多様なシナリオにまたがって高忠実で物理的に妥当な動きを生じさせ、視覚的精度と身体的リアリズムの両方において以前のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-10-02T21:01:11Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。