論文の概要: BinaryDemoire: Moiré-Aware Binarization for Image Demoiréing

• arxiv url: http://arxiv.org/abs/2602.03176v1
• Date: Tue, 03 Feb 2026 06:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.292902
• Title: BinaryDemoire: Moiré-Aware Binarization for Image Demoiréing
• Title（参考訳）: BinaryDemoire: 画像削除のためのモアレ対応バイナリ化
• Authors: Zheng Chen, Zhi Yang, Xiaoyang Liu, Weihang Zhang, Mengfan Wang, Yifan Fu, Linghe Kong, Yulun Zhang,
• Abstract要約: バイナリ化は、アクティベーションとウェイトの両方を1ビットに定量化することで、極端な圧縮機構を提供する。 本稿では,モアレ劣化の周波数構造を明示するバイナライズされた復調フレームワークであるBinaryDemoireを提案する。
• 参考スコア（独自算出の注目度）: 43.72921558239458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image demoiréing aims to remove structured moiré artifacts in recaptured imagery, where degradations are highly frequency-dependent and vary across scales and directions. While recent deep networks achieve high-quality restoration, their full-precision designs remain costly for deployment. Binarization offers an extreme compression regime by quantizing both activations and weights to 1-bit. Yet, it has been rarely studied for demoiréing and performs poorly when naively applied. In this work, we propose BinaryDemoire, a binarized demoiréing framework that explicitly accommodates the frequency structure of moiré degradations. First, we introduce a moiré-aware binary gate (MABG) that extracts lightweight frequency descriptors together with activation statistics. It predicts channel-wise gating coefficients to condition the aggregation of binary convolution responses. Second, we design a shuffle-grouped residual adapter (SGRA) that performs structured sparse shortcut alignment. It further integrates interleaved mixing to promote information exchange across different channel partitions. Extensive experiments on four benchmarks demonstrate that the proposed BinaryDemoire surpasses current binarization methods. Code: https://github.com/zhengchen1999/BinaryDemoire.
• Abstract（参考訳）: 画像復号化は、再構成された画像における構造化モアレアーティファクトを除去することを目的としており、分解は周波数依存性が高く、スケールや方向によって異なる。 最近のディープネットワークは高品質な復元を実現する一方で、その完全精度の設計は展開に費用がかかるままである。 バイナリ化は、アクティベーションとウェイトの両方を1ビットに定量化することで、極端な圧縮機構を提供する。 しかし、復刻のために研究されることはめったになく、鼻に塗っても性能が良くない。 本稿では,モアレ劣化の周波数構造を明示するバイナライズされた復調フレームワークであるBinaryDemoireを提案する。 まず、アクティベーション統計とともに、軽量な周波数記述子を抽出するモアレ対応バイナリゲート(MABG)を導入する。 チャネルワイズゲーティング係数を予測し、バイナリ畳み込み応答のアグリゲーションを条件とする。 第2に,スパースショートカットアライメントを構造化したシャッフルグループ残差アダプタ(SGRA)を設計する。 さらに、インターリーブミキシングを統合して、異なるチャネルパーティション間の情報交換を促進する。 4つのベンチマークでの大規模な実験により、提案されたBinaryDemoireが現在の双項化法を超越していることが示されている。 コード:https://github.com/zhengchen 1999/BinaryDemoire

関連論文リスト

• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• Binary Diffusion Probabilistic Model [6.329379610824222]
  本稿では,バイナリ形式のデータ表現に特化して設計された生成フレームワークを提案する。 バイナリ拡散確率モデルでは、画像を多ビット平面と学習可能なバイナリ埋め込みを用いてバイナリ表現にエンコードする。 これらのバイナリ表現は、きめ細かいノイズ制御、収束の加速、推論コストの削減を提供する。
  論文  参考訳（メタデータ） (2025-01-23T18:52:47Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• HybridFlow: Infusing Continuity into Masked Codebook for Extreme Low-Bitrate Image Compression [51.04820313355164]
  HyrbidFlowは、連続的な機能ベースのストリームとコードブックベースのストリームを組み合わせることで、極めて低い条件下で高い知覚品質と高い忠実性を実現する。 実験の結果、超低速で複数のデータセットにまたがる優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-20T13:19:08Z)
• BiViT: Extremely Compressed Binary Vision Transformer [19.985314022860432]
  両眼視変換器(BiViT)の地平線を推し進めるための2つの基本的な課題について提案する。 本稿では,データ分布に動的に適応し,バイナライゼーションによる誤差を低減するソフトマックス対応バイナリ化を提案する。 提案手法は,TinyImageNetデータセット上で,最先端技術に対して19.8%向上する。
  論文  参考訳（メタデータ） (2022-11-14T03:36:38Z)
• Bimodal Distributed Binarized Neural Networks [3.0778860202909657]
  しかし、バイナリ化技術は、完全精度のものと比べれば、不適格な性能劣化に悩まされる。 バイモーダル分散バイナライゼーション法(メソッド名)を提案する。 これにより、ネットワーク重みのバイモーダルな分布がクルトーシス正規化によって引き起こされる。
  論文  参考訳（メタデータ） (2022-04-05T06:07:05Z)
• Binarized Weight Error Networks With a Transition Regularization Term [4.56877715768796]
  本論文では,資源効率の高いニューラル構造のための新しい重み付き重みネットワーク(BT)を提案する。 提案モデルでは, 近似誤差を考慮した重みの2値表現を, 追加項で推定する。 全てのしきい値に基づく二値精度ネットワークに適した新しい正規化項が導入された。
  論文  参考訳（メタデータ） (2021-05-09T10:11:26Z)

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。