論文の概要: Physically Interpretable Multi-Degradation Image Restoration via Deep Unfolding and Explainable Convolution

• arxiv url: http://arxiv.org/abs/2511.10166v1
• Date: Fri, 14 Nov 2025 01:36:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.72725
• Title: Physically Interpretable Multi-Degradation Image Restoration via Deep Unfolding and Explainable Convolution
• Title（参考訳）: 深部展開と説明可能な畳み込みによる物理的に解釈可能な多次元画像復元
• Authors: Hu Gao, Xiaoning Lei, Xichen Xu, Depeng Dang, Lizhuang Ma,
• Abstract要約: 本稿では,多段劣化画像復元のための新しい解釈可能性駆動手法を提案する。 改良された2階半平滑ニュートンアルゴリズムを用いて,各モジュールが明確な物理的解釈性を維持することを保証する。 解釈可能性と適応性をさらに向上するため,人間の脳の柔軟な情報処理に触発された説明可能な畳み込みモジュールを設計した。
• 参考スコア（独自算出の注目度）: 45.571542528079114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although image restoration has advanced significantly, most existing methods target only a single type of degradation. In real-world scenarios, images often contain multiple degradations simultaneously, such as rain, noise, and haze, requiring models capable of handling diverse degradation types. Moreover, methods that improve performance through module stacking often suffer from limited interpretability. In this paper, we propose a novel interpretability-driven approach for multi-degradation image restoration, built upon a deep unfolding network that maps the iterative process of a mathematical optimization algorithm into a learnable network structure. Specifically, we employ an improved second-order semi-smooth Newton algorithm to ensure that each module maintains clear physical interpretability. To further enhance interpretability and adaptability, we design an explainable convolution module inspired by the human brain's flexible information processing and the intrinsic characteristics of images, allowing the network to flexibly leverage learned knowledge and autonomously adjust parameters for different input. The resulting tightly integrated architecture, named InterIR, demonstrates excellent performance in multi-degradation restoration while remaining highly competitive on single-degradation tasks.
• Abstract（参考訳）: 画像の復元は著しく進んでいるが、既存の手法のほとんどは1種類の劣化しか目標としていない。 現実のシナリオでは、画像はしばしば雨、騒音、ヘイズなどの複数の劣化を同時に含み、多様な劣化タイプを扱うことができるモデルを必要とする。 さらに、モジュールの積み重ねによるパフォーマンス向上手法は、しばしば限定的な解釈可能性に悩まされる。 本稿では,数式最適化アルゴリズムの反復過程を学習可能なネットワーク構造にマッピングする深層展開ネットワーク上に構築された,多分解像復元のための新しい解釈可能性駆動型アプローチを提案する。 具体的には、各モジュールが明確な物理的解釈可能性を維持するために、改良された2階半平滑ニュートンアルゴリズムを用いる。 そこで我々は,人間の脳のフレキシブルな情報処理と画像固有の特徴に触発された説明可能な畳み込みモジュールを設計し,学習した知識を柔軟に活用し,異なる入力に対するパラメータを自律的に調整することを可能にする。 その結果、InterIRと呼ばれる密に統合されたアーキテクチャは、単一劣化タスクにおいて高い競争力を維持しながら、多劣化回復における優れた性能を示す。

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)
• 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)
• Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
  効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。 提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-19T16:42:58Z)
• Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
  複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。 具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。 我々の手法は最先端技術と競争的に機能する。
  論文  参考訳（メタデータ） (2023-09-06T15:05:04Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。