論文の概要: From Physical Degradation Models to Task-Aware All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2601.10192v1
• Date: Thu, 15 Jan 2026 08:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.061721
• Title: From Physical Degradation Models to Task-Aware All-in-One Image Restoration
• Title（参考訳）: 物理劣化モデルからタスク対応オールインワン画像復元へ
• Authors: Hu Gao, Xiaoning Lei, Xichen Xu, Xingjian Wang, Lizhuang Ma,
• Abstract要約: オールインワン画像復元は、1つの訓練されたモデルで複数の復元タスクを適応的に処理することを目的としている。 我々は、物理劣化モデリングの観点を採用し、効率的なオールインワン画像復元のためのタスク認識逆分解演算子を予測する。
• 参考スコア（独自算出の注目度）: 44.45223512440674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-one image restoration aims to adaptively handle multiple restoration tasks with a single trained model. Although existing methods achieve promising results by introducing prompt information or leveraging large models, the added learning modules increase system complexity and hinder real-time applicability. In this paper, we adopt a physical degradation modeling perspective and predict a task-aware inverse degradation operator for efficient all-in-one image restoration. The framework consists of two stages. In the first stage, the predicted inverse operator produces an initial restored image together with an uncertainty perception map that highlights regions difficult to reconstruct, ensuring restoration reliability. In the second stage, the restoration is further refined under the guidance of this uncertainty map. The same inverse operator prediction network is used in both stages, with task-aware parameters introduced after operator prediction to adapt to different degradation tasks. Moreover, by accelerating the convolution of the inverse operator, the proposed method achieves efficient all-in-one image restoration. The resulting tightly integrated architecture, termed OPIR, is extensively validated through experiments, demonstrating superior all-in-one restoration performance while remaining highly competitive on task-aligned restoration.
• Abstract（参考訳）: オールインワン画像復元は、1つの訓練されたモデルで複数の復元タスクを適応的に処理することを目的としている。 既存の手法では,迅速な情報の導入や大規模モデルの活用によって有望な結果が得られるが,学習モジュールの追加はシステムの複雑性を増大させ,リアルタイム適用性を妨げている。 本稿では、物理劣化モデリングの観点を採用し、効率的なオールインワン画像復元のためのタスク認識逆分解演算子を予測する。 フレームワークは2つのステージで構成されます。 第1段階では、予測逆演算子は、復元困難な領域を強調し、復元信頼性を確保する不確実性認識マップとともに、初期復元画像を生成する。 第2段階では、この不確実性マップのガイダンスにより、復元をさらに洗練する。 同じ逆演算子予測ネットワークは、異なる劣化タスクに対応するために演算子予測後にタスク認識パラメータを導入し、両方の段階で使用される。 さらに,逆演算子の畳み込みを高速化することにより,効率的なオールインワン画像復元を実現する。 その結果、OPIR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、優れたオールインワン復元性能を示しながら、タスク整合回復において高い競争力を維持している。

関連論文リスト

• Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
  コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。 本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-14T08:24:57Z)
• Proxies for Distortion and Consistency with Applications for Real-World Image Restoration [12.118301237297313]
  本稿では,実世界の画像復元アルゴリズムの設計と評価を両立するツール群について述べる。 本研究では,実世界の実測値が通った劣化の連鎖を予測する訓練モデルを提案する。 この推定器が、測定値と提案された回復画像との一致の一貫性を近似するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-01-21T12:49:30Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
  Perceive-IRは、きめ細かい品質管理のための新しいバックボーン非依存のオールインワン画像復元フレームワークである。 モジュール構造により、コアコンポーネントは特定のバックボーンとは独立して機能し、高度な復元モデル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） (2024-08-28T17:58:54Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。