論文の概要: DELNet: Continuous All-in-One Weather Removal via Dynamic Expert Library

• arxiv url: http://arxiv.org/abs/2601.22573v1
• Date: Fri, 30 Jan 2026 05:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.237013
• Title: DELNet: Continuous All-in-One Weather Removal via Dynamic Expert Library
• Title（参考訳）: DELNet: 動的エキスパートライブラリによる連続的なオールインワン気象除去
• Authors: Shihong Liu, Kun Zuo, Hanguang Xiao,
• Abstract要約: 気象画像復元のための連続学習フレームワークであるDELNetを提案する。 新しいタスクのために、バルブは知識伝達のためのトップkの専門家を選択し、タスク固有の特徴をキャプチャするための新しい専門家を追加する。 既知のタスクに対して、対応する専門家は直接再利用される。この設計は、既存のモデルを再トレーニングすることなく、継続的な最適化を可能にする。
• 参考スコア（独自算出の注目度）: 3.927988960057132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-one weather image restoration methods are valuable in practice but depend on pre-collected data and require retraining for unseen degradations, leading to high cost. We propose DELNet, a continual learning framework for weather image restoration. DELNet integrates a judging valve that measures task similarity to distinguish new from known tasks, and a dynamic expert library that stores experts trained on different degradations. For new tasks, the valve selects top-k experts for knowledge transfer while adding new experts to capture task-specific features; for known tasks, the corresponding experts are directly reused. This design enables continuous optimization without retraining existing models. Experiments on OTS, Rain100H, and Snow100K demonstrate that DELNet surpasses state-of-the-art continual learning methods, achieving PSNR gains of 16\%, 11\%, and 12\%, respectively. These results highlight the effectiveness, robustness, and efficiency of DELNet, which reduces retraining cost and enables practical deployment in real-world scenarios.
• Abstract（参考訳）: オールインワンの気象画像復元手法は、実際は有用であるが、事前に収集したデータに依存し、目に見えない劣化のために再訓練する必要があるため、コストが高い。 気象画像復元のための連続学習フレームワークであるDELNetを提案する。 DELNetは、既知のタスクと新しいタスクを区別するためにタスク類似度を測定する判断弁と、異なる劣化について訓練された専門家を格納する動的専門家ライブラリを統合している。 新しいタスクのために、バルブは知識伝達のためのトップkの専門家を選択し、タスク固有の特徴をキャプチャする新しい専門家を追加します。 この設計は、既存のモデルを再トレーニングすることなく、継続的な最適化を可能にする。 OTS,Rain100H,Snow100Kの実験では,DELNetが最先端の継続学習手法を超越し,PSNRゲインが16倍,11倍,12倍となった。 これらの結果は、DELNetの有効性、堅牢性、効率性を強調し、再トレーニングコストを低減し、現実のシナリオでの実践的なデプロイを可能にする。

関連論文リスト

• ReTrack: Data Unlearning in Diffusion Models through Redirecting the Denoising Trajectory [17.016094185289372]
  拡散モデルのための高速かつ効果的なデータアンラーニング手法であるReTrackを提案する。 ReTrackはより効率的な微調整損失を構築するために重要サンプリングを採用している。 MNIST T-Shirt、CelebA-HQ、CIFAR-10、および安定拡散の実験は、ReTrackが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-09-16T12:20:15Z)
• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• Continual All-in-One Adverse Weather Removal with Knowledge Replay on a Unified Network Structure [92.8834309803903]
  現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。 我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。 連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
  論文  参考訳（メタデータ） (2024-03-12T03:50:57Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• 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)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Continual Learning with Recursive Gradient Optimization [20.166372047414093]
  RGOは反復的に更新された勾配で構成されており、データ再生なしで忘れを最小化するために勾配を変更する。 実験により、RGOは人気のある連続分類ベンチマークで大幅に性能が向上したことが示された。
  論文  参考訳（メタデータ） (2022-01-29T07:50:43Z)

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。