論文の概要: LaverNet: Lightweight All-in-one Video Restoration via Selective Propagation

• arxiv url: http://arxiv.org/abs/2512.16313v1
• Date: Thu, 18 Dec 2025 08:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.991016
• Title: LaverNet: Lightweight All-in-one Video Restoration via Selective Propagation
• Title（参考訳）: LaverNet: 選択的プロパゲーションによる軽量オールインワンビデオ再生
• Authors: Haiyu Zhao, Yiwen Shan, Yuanbiao Gou, Xi Peng,
• Abstract要約: 我々は,362Kのパラメータしか持たない軽量なオールインワンビデオ復元ネットワークであるLaverNetを提案する。 コンパクトなネットワークで強力なオールインワン復元を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 25.06163757861205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have explored all-in-one video restoration, which handles multiple degradations with a unified model. However, these approaches still face two challenges when dealing with time-varying degradations. First, the degradation can dominate temporal modeling, confusing the model to focus on artifacts rather than the video content. Second, current methods typically rely on large models to handle all-in-one restoration, concealing those underlying difficulties. To address these challenges, we propose a lightweight all-in-one video restoration network, LaverNet, with only 362K parameters. To mitigate the impact of degradations on temporal modeling, we introduce a novel propagation mechanism that selectively transmits only degradation-agnostic features across frames. Through LaverNet, we demonstrate that strong all-in-one restoration can be achieved with a compact network. Despite its small size, less than 1\% of the parameters of existing models, LaverNet achieves comparable, even superior performance across benchmarks.
• Abstract（参考訳）: 最近の研究では、統一モデルを用いて複数の劣化を処理するオールインワンビデオ復元について検討されている。 しかし、これらのアプローチは時間変化による劣化を扱う際にも2つの課題に直面している。 まず、劣化が時間的モデリングを支配し、ビデオコンテンツではなくアーティファクトにフォーカスするためにモデルを混乱させる。 第二に、現在の手法は通常、オールインワンの復元を扱うために大きなモデルに依存しており、それらの基盤となる困難を隠蔽している。 これらの課題に対処するために,362Kパラメータしか持たない軽量なオールインワンビデオ復元ネットワークであるLaverNetを提案する。 時間的モデリングにおける劣化の影響を軽減するため,フレーム間の劣化非依存の特徴のみを選択的に伝達する新しい伝搬機構を導入する。 LaverNetを通じて、コンパクトなネットワークで強力なオールインワン復元を実現できることを示す。 モデルのサイズは小さいが、既存のモデルのパラメータの1/%以下であるにもかかわらず、LaverNetはベンチマークよりも優れたパフォーマンスを実現している。

関連論文リスト

• 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)
• Low-Resource Video Super-Resolution using Memory, Wavelets, and Deformable Convolutions [3.018928786249079]
  ビデオスーパーレゾリューション(VSR)は、リソース制約のあるエッジデバイスへのデプロイにおいて、依然として大きな課題である。 本稿では,230万のパラメータで最先端の再現精度を実現する,VSRのための新しい軽量かつパラメータ効率のニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-03T20:46:15Z)
• DiffIR2VR-Zero: Zero-Shot Video Restoration with Diffusion-based Image Restoration Models [9.145545884814327]
  DiffIR2VR-Zeroは、任意の事前訓練された画像復元モデルで、追加のトレーニングなしで高品質な映像復元を行うことができるゼロショットフレームワークである。 我々のフレームワークは、任意の画像復元拡散モデルで動作し、タスク固有のトレーニングや修正なしに、映像強調のための汎用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-07-01T17:59:12Z)
• Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration [100.54419875604721]
  オールインワン画像復元は、各分解に対してタスク固有の非ジェネリックモデルを持たずに、統一されたモデルで異なるタイプの劣化に対処する。 我々は、オールインワン画像復元タスクのためのエンコーダデコーダ方式で設計されたネットワークの動的ファミリであるDyNetを提案する。 我々のDyNetは、よりバルク化と軽量化をシームレスに切り替えることができるので、効率的なモデルデプロイメントのための柔軟性を提供します。
  論文  参考訳（メタデータ） (2024-04-02T17:58:49Z)
• Cross-Consistent Deep Unfolding Network for Adaptive All-In-One Video Restoration [78.14941737723501]
  オールインワンVRのためのクロスコンセントディープ・アンフォールディング・ネットワーク(CDUN)を提案する。 2つのカスケード手順を編成することにより、CDUNは様々な劣化に対する適応的な処理を達成する。 さらに、より隣接するフレームからの情報を活用するために、ウィンドウベースのフレーム間融合戦略を導入する。
  論文  参考訳（メタデータ） (2023-09-04T14:18:00Z)

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。