論文の概要: Test-Time Preference Optimization for Image Restoration

• arxiv url: http://arxiv.org/abs/2511.19169v1
• Date: Mon, 24 Nov 2025 14:32:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.256118
• Title: Test-Time Preference Optimization for Image Restoration
• Title（参考訳）: 画像復元のためのテスト時間優先最適化
• Authors: Bingchen Li, Xin Li, Jiaqi Xu, Jiaming Guo, Wenbo Li, Renjing Pei, Zhibo Chen,
• Abstract要約: 画像復元のための最初のTTPO(Test-Time Preference Optimization)パラダイムを提案する。 TTPOパラダイムは知覚品質を高め、オンザフライで好みのデータを生成し、任意のIRモデルバックボーンと互換性がある。
• 参考スコア（独自算出の注目度）: 33.03412734410562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration (IR) models are typically trained to recover high-quality images using L1 or LPIPS loss. To handle diverse unknown degradations, zero-shot IR methods have also been introduced. However, existing pre-trained and zero-shot IR approaches often fail to align with human preferences, resulting in restored images that may not be favored. This highlights the critical need to enhance restoration quality and adapt flexibly to various image restoration tasks or backbones without requiring model retraining and ideally without labor-intensive preference data collection. In this paper, we propose the first Test-Time Preference Optimization (TTPO) paradigm for image restoration, which enhances perceptual quality, generates preference data on-the-fly, and is compatible with any IR model backbone. Specifically, we design a training-free, three-stage pipeline: (i) generate candidate preference images online using diffusion inversion and denoising based on the initially restored image; (ii) select preferred and dispreferred images using automated preference-aligned metrics or human feedback; and (iii) use the selected preference images as reward signals to guide the diffusion denoising process, optimizing the restored image to better align with human preferences. Extensive experiments across various image restoration tasks and models demonstrate the effectiveness and flexibility of the proposed pipeline.
• Abstract（参考訳）: 画像復元(IR)モデルは、通常、L1またはLPIPSロスを使用して高品質な画像を復元するために訓練される。 様々な未知の劣化に対処するため、ゼロショットIR法も導入された。 しかし、既存のトレーニング済みおよびゼロショットIRアプローチは、人間の好みと一致しないことが多いため、好ましくないイメージが復元される。 これは、モデルの再トレーニングを必要とせず、労働集約的な選好データ収集を必要とせずに、復元品質を向上し、様々な画像復元タスクやバックボーンに柔軟に適用する重要な必要性を強調している。 本稿では,画像復元のための最初のTTPO(Test-Time Preference Optimization)パラダイムを提案する。 具体的には、トレーニングなし、3段階のパイプラインを設計します。 二 拡散反転及び初期復元された画像に基づいて、オンラインの候補選好画像を作成すること。 二 自動選好基準又は人的フィードバックを用いて好ましくない画像を選択すること。 3)選択した選好画像を報奨信号として拡散復調過程を導出し、復元された画像のヒト選好との整合性を最適化する。 様々な画像復元タスクとモデルにわたる大規模な実験により、提案したパイプラインの有効性と柔軟性が示された。

関連論文リスト

• Dual Caption Preference Optimization for Diffusion Models [53.218293277964165]
  テキストから画像への拡散モデルを改善するために、Dual Caption Preference Optimization (DCPO)を導入する。 DCPOは2つの異なるキャプションをそれぞれの好みペアに割り当て、学習信号を強化する。 実験の結果,DCPOは画像品質とプロンプトとの関連性を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2025-02-09T20:34:43Z)
• Taming Generative Diffusion Prior for Universal Blind Image Restoration [4.106012295148947]
  BIR-Dはマルチ誘導ブラインド画像復元を実現することができる。 また、複数の複雑な分解を行うイメージを復元し、実用的な応用を実証することができる。
  論文  参考訳（メタデータ） (2024-08-21T02:19:54Z)
• Prompt Recovery for Image Generation Models: A Comparative Study of Discrete Optimizers [57.62831463679979]
  本稿では,近年の離散最適化手法の突発的逆転問題に対する直接比較について述べる。 逆プロンプトと基底真理画像とのCLIP類似性に着目し, 逆プロンプトが生成する画像と基底真理画像との類似性について検討した。
  論文  参考訳（メタデータ） (2024-08-12T21:35:59Z)
• Photo-Realistic Image Restoration in the Wild with Controlled Vision-Language Models [14.25759541950917]
  この研究は、能動的視覚言語モデルと合成分解パイプラインを活用して、野生(ワイルドIR)における画像復元を学習する。 我々の基底拡散モデルは画像復元SDE(IR-SDE)である。
  論文  参考訳（メタデータ） (2024-04-15T12:34:21Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• 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)
• Exploring and Evaluating Image Restoration Potential in Dynamic Scenes [44.37018725642948]
  ダイナミックなシーンでは、画像は動きの重畳や信号-雑音比の低さによって、しばしばダイナミックなぼかしに悩まされる。 画像復元電位(IRP)に着目した新しい概念を提案する。
  論文  参考訳（メタデータ） (2022-03-22T14:10:16Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Perceptual Image Restoration with High-Quality Priori and Degradation Learning [28.93489249639681]
  本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。 同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
  論文  参考訳（メタデータ） (2021-03-04T13:19:50Z)

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。