論文の概要: Deep LoRA-Unfolding Networks for Image Restoration

• arxiv url: http://arxiv.org/abs/2602.18697v1
• Date: Sat, 21 Feb 2026 02:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.244601
• Title: Deep LoRA-Unfolding Networks for Image Restoration
• Title（参考訳）: 画像復元のための深部LORA展開ネットワーク
• Authors: Xiangming Wang, Haijin Zeng, Benteng Sun, Jiezhang Cao, Kai Zhang, Qiangqiang Shen, Yongyong Chen,
• Abstract要約: 画像復元のための一般化されたDeep Low-rank Adaptation (LoRA) Unfolding Networksを導入する。 LoRunは、トレーニング済みのベースデノイザをすべてのステージで共有する、新しいパラダイムを導入している。 軽量でステージ固有のLoRAアダプタをPMMに注入し、ノイズレベルに応じて動的に騒音を変調する。
• 参考スコア（独自算出の注目度）: 44.864335449093716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unfolding networks (DUNs), combining conventional iterative optimization algorithms and deep neural networks into a multi-stage framework, have achieved remarkable accomplishments in Image Restoration (IR), such as spectral imaging reconstruction, compressive sensing and super-resolution.It unfolds the iterative optimization steps into a stack of sequentially linked blocks.Each block consists of a Gradient Descent Module (GDM) and a Proximal Mapping Module (PMM) which is equivalent to a denoiser from a Bayesian perspective, operating on Gaussian noise with a known level.However, existing DUNs suffer from two critical limitations: (i) their PMMs share identical architectures and denoising objectives across stages, ignoring the need for stage-specific adaptation to varying noise levels; and (ii) their chain of structurally repetitive blocks results in severe parameter redundancy and high memory consumption, hindering deployment in large-scale or resource-constrained scenarios.To address these challenges, we introduce generalized Deep Low-rank Adaptation (LoRA) Unfolding Networks for image restoration, named LoRun, harmonizing denoising objectives and adapting different denoising levels between stages with compressed memory usage for more efficient DUN.LoRun introduces a novel paradigm where a single pretrained base denoiser is shared across all stages, while lightweight, stage-specific LoRA adapters are injected into the PMMs to dynamically modulate denoising behavior according to the noise level at each unfolding step.This design decouples the core restoration capability from task-specific adaptation, enabling precise control over denoising intensity without duplicating full network parameters and achieving up to $N$ times parameter reduction for an $N$-stage DUN with on-par or better performance.Extensive experiments conducted on three IR tasks validate the efficiency of our method.
• Abstract（参考訳）: ディープ・アンフォールディング・ネットワーク(DUN)は、従来の反復最適化アルゴリズムとディープ・ニューラルネットワークを多段階のフレームワークに統合し、スペクトル画像再構成、圧縮センシング、超解像などの画像復元(IR)において顕著な成果を上げている。これは、反復最適化ステップを連続的に連結されたブロックのスタックに展開する。 (i)これらのPMMは、異なる雑音レベルへのステージ固有の適応の必要性を無視して、同一のアーキテクチャを共有し、段階にわたって目的を認知する。 2) それらの構造的繰り返しブロックの連鎖は,厳しいパラメータ冗長性と高いメモリ消費をもたらし,大規模ないしリソース制約のあるシナリオへの展開を妨げる。これらの課題に対処するために,一般化されたDeep Low-rank Adaptation (LoRA) 画像復元のためのネットワークであるLoRunを導入し,より効率的なDUNを圧縮したメモリ使用率を持つステージ間の異なる復調レベルを適応させる。LoRunは,単一の事前学習ベースデノワをすべてのステージにわたって共有する一方で,軽量でステージ固有のLoRAアダプタをPMMに注入して,各アンフォールドステップのノイズレベルに応じて動的に復調動作を変調する手法を提案する。

関連論文リスト

• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Deep Lightweight Unrolled Network for High Dynamic Range Modulo Imaging [19.49437461280304]
  Modulo-Imaging (MI)は、強度レベルに達すると信号強度をリセットすることでダイナミックなダイナミックレンジ画像を拡張するための有望な代替手段を提供する。 自己調整を容易にするScaling Equi項を導入し、モデルが元の分布外の新しい画像に適応できるようにする。
  論文  参考訳（メタデータ） (2026-01-18T18:22:38Z)
• OTARo: Once Tuning for All Precisions toward Robust On-Device LLMs [21.55040910903597]
  OTARoはデバイス上の大規模言語モデルで量子化精度を柔軟に切り替えることができる新しい手法である。 すべての精度で一貫して強固で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-17T08:56:27Z)
• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• Iterative Low-rank Network for Hyperspectral Image Denoising [16.26671997491784]
  ハイパースペクトル画像(HSI)復調は、その後のタスクにおいて重要な前処理ステップである。 画像の詳細を保存しながら、このような物理的特性を効果的に denoising に適切に利用することは、一般的に困難である。 本稿では,これらの課題に対処するための新しい反復型低ランクネットワーク (ILRNet) を提案する。
  論文  参考訳（メタデータ） (2025-08-30T04:34:43Z)
• ASMR: Activation-sharing Multi-resolution Coordinate Networks For Efficient Inference [6.005712471509875]
  コーディネート・ネットワーク (Coordinate Network) または暗黙の神経表現 (INR) は、自然信号を高速に符号化する手法である。 本稿では,多分解能座標分解と階層変調を組み合わせたASMR座標ネットワークを提案する。 また,ASMRにより,バニラSIRENモデルのMACを最大500倍まで低減し,SIRENのベースラインよりも高い再現性が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-20T22:35:34Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Dynamic Dual Trainable Bounds for Ultra-low Precision Super-Resolution Networks [82.18396309806577]
  動的デュアル・トレーニング・バウンダリ(DDTB)と呼ばれる新しいアクティベーション・量子化器を提案する。 DDTBは超低精度で優れた性能を示した。 例えば、我々のDDTBは、EDSRを2ビットに量子化し、出力画像をx4にスケールアップする場合、Urban100ベンチマークで0.70dBのPSNRアップを達成する。
  論文  参考訳（メタデータ） (2022-03-08T04:26:18Z)
• Efficient Low-Latency Speech Enhancement with Mobile Audio Streaming Networks [6.82469220191368]
  高速低遅延音声強調のためのモバイル音声ストリーミングネットワーク(MASnet)を提案する。 MASnetは線形スケールのスペクトログラムを処理し、連続するノイズフレームを複素値比マスクに変換する。
  論文  参考訳（メタデータ） (2020-08-17T12:18:34Z)

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。