論文の概要: EvoIR: Towards All-in-One Image Restoration via Evolutionary Frequency Modulation

• arxiv url: http://arxiv.org/abs/2512.05104v2
• Date: Thu, 11 Dec 2025 18:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:41.960979
• Title: EvoIR: Towards All-in-One Image Restoration via Evolutionary Frequency Modulation
• Title（参考訳）: EvoIR:進化周波数変調によるオールインワン画像復元を目指して
• Authors: Jiaqi Ma, Shengkai Hu, Xu Zhang, Jun Wan, Jiaxing Huang, Lefei Zhang, Salman Khan,
• Abstract要約: EvoIRは、動的および適応的な画像復元のための進化周波数変調を導入する、AiOIR固有のフレームワークである。 具体的には、EvoIRは周波数変調モジュール(FMM)を採用し、特徴を高周波数分岐と低周波数分岐に明示的に分解する。 進化最適化戦略(EOS: Evolutionary Optimization Strategy)は、人口ベースの進化過程を通じて、周波数認識の目的を反復的に調整する。
• 参考スコア（独自算出の注目度）: 54.37259500020744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-One Image Restoration (AiOIR) tasks often involve diverse degradation that require robust and versatile strategies. However, most existing approaches typically lack explicit frequency modeling and rely on fixed or heuristic optimization schedules, which limit the generalization across heterogeneous degradation. To address these limitations, we propose EvoIR, an AiOIR-specific framework that introduces evolutionary frequency modulation for dynamic and adaptive image restoration. Specifically, EvoIR employs the Frequency-Modulated Module (FMM) that decomposes features into high- and low-frequency branches in an explicit manner and adaptively modulates them to enhance both structural fidelity and fine-grained details. Central to EvoIR, an Evolutionary Optimization Strategy (EOS) iteratively adjusts frequency-aware objectives through a population-based evolutionary process, dynamically balancing structural accuracy and perceptual fidelity. Its evolutionary guidance further mitigates gradient conflicts across degradation and accelerates convergence. By synergizing FMM and EOS, EvoIR yields greater improvements than using either component alone, underscoring their complementary roles. Extensive experiments on multiple benchmarks demonstrate that EvoIR outperforms state-of-the-art AiOIR methods.
• Abstract（参考訳）: All-in-One Image Restoration (AiOIR)タスクは、堅牢で汎用的な戦略を必要とする多様な劣化を伴うことが多い。 しかし、既存のほとんどのアプローチは明らかに周波数モデリングを欠いており、不均一な分解の一般化を制限する固定的あるいはヒューリスティックな最適化スケジュールに依存している。 これらの制約に対処するため、動的・適応的な画像復元のための進化周波数変調を導入したAiOIR固有のフレームワークであるEvoIRを提案する。 具体的には、EvoIRは周波数変調モジュール(FMM)を用いて、特徴を高周波数分岐と低周波数分岐に明示的に分解し、それらを適応的に変調することで、構造的忠実度と微細な詳細性の両方を強化する。 EvoIRの中心となる進化最適化戦略(EOS)は、人口ベースの進化過程を通じて周波数認識の目的を反復的に調整し、構造的精度と知覚的忠実度を動的にバランスさせる。 その進化的ガイダンスは、さらに劣化する勾配の衝突を緩和し、収束を加速する。 FMMとEOSの相乗効果により、EvoIRはどちらのコンポーネントも使用せず、補完的な役割を担っている。 複数のベンチマークでの大規模な実験により、EvoIRは最先端のAiOIR法より優れていることが示された。

関連論文リスト

• URWKV: Unified RWKV Model with Multi-state Perspective for Low-light Image Restoration [22.746234919635018]
  多状態視点を用いた統一受容重み付き鍵値(URWKV)モデルを提案する。 URWKVブロックのコアをカスタマイズし、複数のステージ内およびステージ間状態を利用して複雑な劣化を認識・解析する。 最先端モデルと比較して、URWKVモデルは様々なベンチマークにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-05-29T04:17:09Z)
• RestoreVAR: Visual Autoregressive Generation for All-in-One Image Restoration [51.77917733024544]
  潜時拡散モデル(LDM)はオールインワン画像復元法(AiOR)の知覚的品質を改善した。 LDMは反復的なデノゲーションプロセスによって推論が遅くなり、時間に敏感なアプリケーションでは実用的でない。 VAR(Visual Autoregressive Modeling)は、スケールスペースの自己回帰を行い、最先端の拡散変換器に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-05-23T15:52:26Z)
• Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
  劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。 我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。 劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-19T09:54:46Z)
• Gradient as Conditions: Rethinking HOG for All-in-one Image Restoration [23.153283910821862]
  古典的勾配表現としての向き付け勾配(HOG)のヒストグラムは、様々な劣化に対して強い識別能力を有する。 本稿では,学習可能なHOG機能を統合した変換器モデルHOGformerを提案する。 HOGformerは最先端のパフォーマンスを実現し、複雑な現実世界のシナリオを一般化する。
  論文  参考訳（メタデータ） (2025-04-12T23:52:59Z)
• Evolution-based Region Adversarial Prompt Learning for Robustness Enhancement in Vision-Language Models [52.8949080772873]
  本稿では,ER-APTと呼ばれる進化型領域逆アプティブチューニング手法を提案する。 各トレーニングイテレーションでは、まず従来の勾配法を用いてAEを生成する。 次に、AEsを最適化するために、選択、突然変異、交差を含む遺伝的進化機構を適用する。 最終進化型AEは、従来の単点対向的な高速チューニングの代わりに、地域ベースの対向最適化を実現するために用いられる。
  論文  参考訳（メタデータ） (2025-03-17T07:08:47Z)
• Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
  本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。 これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-03-11T11:13:10Z)

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。