論文の概要: ShiftLUT: Spatial Shift Enhanced Look-Up Tables for Efficient Image Restoration

• arxiv url: http://arxiv.org/abs/2603.00906v2
• Date: Tue, 03 Mar 2026 17:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 14:54:12.54017
• Title: ShiftLUT: Spatial Shift Enhanced Look-Up Tables for Efficient Image Restoration
• Title（参考訳）: ShiftLUT: 効率的な画像復元のための空間シフト強化ルックアップテーブル
• Authors: Xiaolong Zeng, Yitong Yu, Shiyao Xiong, Jinhua Hao, Ming Sun, Chao Zhou, Bin Wang,
• Abstract要約: ShiftLUTは、LUTベースのすべてのメソッドの中で、高い効率を維持しながら、最大の受容領域を実現する新しいフレームワークである。 従来の最先端のTinyLUTと比較して、ShiftLUTは3.8$times$大きな受容場を実現し、平均PSNRを0.21dB以上改善している。
• 参考スコア（独自算出の注目度）: 8.845117852325997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Look-Up Table based methods have emerged as a promising direction for efficient image restoration tasks. Recent LUT-based methods focus on improving their performance by expanding the receptive field. However, they inevitably introduce extra computational and storage overhead, which hinders their deployment in edge devices. To address this issue, we propose ShiftLUT, a novel framework that attains the largest receptive field among all LUT-based methods while maintaining high efficiency. Our key insight lies in three complementary components. First, Learnable Spatial Shift module (LSS) is introduced to expand the receptive field by applying learnable, channel-wise spatial offsets on feature maps. Second, we propose an asymmetric dual-branch architecture that allocates more computation to the information-dense branch, substantially reducing inference latency without compromising restoration quality. Finally, we incorporate a feature-level LUT compression strategy called Error-bounded Adaptive Sampling (EAS) to minimize the storage overhead. Compared to the previous state-of-the-art method TinyLUT, ShiftLUT achieves a 3.8$\times$ larger receptive field and improves an average PSNR by over 0.21 dB across multiple standard benchmarks, while maintaining a small storage size and inference time. The code is available at: https://github.com/Sailor-t/ShiftLUT .
• Abstract（参考訳）: ルックアップテーブルをベースとした手法が,効率的な画像復元作業のための有望な方向として登場した。 近年のLUT法は受容場の拡大による性能向上に重点を置いている。 しかし、彼らは必然的に計算とストレージのオーバーヘッドを導入し、エッジデバイスへのデプロイメントを妨げている。 この問題に対処するため,我々は,高効率を維持しつつ,全てのLUT手法の中で最大の受容場を実現する新しいフレームワークであるShiftLUTを提案する。 私たちの重要な洞察は3つの補完的なコンポーネントにあります。 まず、学習可能空間シフトモジュール(LSS)を導入し、特徴写像に学習可能なチャネルワイド空間オフセットを適用することにより、受容場を拡張する。 第二に、情報密度分岐により多くの計算を割り当てる非対称なデュアルブランチアーキテクチャを提案し、復元品質を損なうことなく、推論遅延を大幅に低減する。 最後に、ストレージオーバーヘッドを最小限に抑えるために、Error-bounded Adaptive Smpling (EAS)と呼ばれる機能レベルのLUT圧縮戦略を組み込んだ。 従来の最先端のTinyLUTと比較して、ShiftLUTは3.8$\times$大きな受信フィールドを実現し、複数の標準ベンチマークで平均PSNRを0.21dB以上改善し、ストレージサイズと推論時間を維持している。 コードは、https://github.com/Sailor-t/ShiftLUT で入手できる。

関連論文リスト

• LoR-LUT: Learning Compact 3D Lookup Tables via Low-Rank Residuals [8.420640298306237]
  LoR-LUTは、コンパクトで解釈可能な3Dルックアップテーブル(LUT)生成のための統一された低ランク定式化である。 LoR-LUTはMIT-Adobe FiveKデータセットでトレーニングされている。 LoR-LUT Viewerと呼ばれる対話型可視化ツールは、入力画像をLUT調整された出力画像に変換する。
  論文  参考訳（メタデータ） (2026-02-26T04:28:35Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Lightweight and Fast Real-time Image Enhancement via Decomposition of the Spatial-aware Lookup Tables [22.15777751379876]
  3次元ルックアップテーブル(3D LUT)に基づく画像強調手法は,モデルサイズと実行時間の両方を効率的に削減する。 しかし、3D LUT法は空間情報の欠如により限界がある。 本稿では,テーブルの冗長部分に着目して画像適応型LUTを生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-08-22T06:28:24Z)
• FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
  低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。 当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
  論文  参考訳（メタデータ） (2025-05-23T14:37:00Z)
• AutoLUT: LUT-Based Image Super-Resolution with Automatic Sampling and Adaptive Residual Learning [39.17438080141985]
  我々は,Look-Up Table (LUT) ベースの超解像ネットワークにおいて,ピクセル情報を効果的にキャプチャし,活用するための2つのプラグイン・アンド・プレイ・モジュールを導入する。 本手法は,類似のストレージサイズを維持しつつ, MuLUT と SPF-LUT の双方で大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2025-03-03T14:09:36Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Unified Gradient-Based Machine Unlearning with Remain Geometry Enhancement [29.675650285351768]
  深層ニューラルネットワークのプライバシーと信頼性を高めるために、機械学習(MU)が登場した。 近似MUは大規模モデルの実用的手法である。 本稿では,最新の学習方向を暗黙的に近似する高速スローパラメータ更新手法を提案する。
  論文  参考訳（メタデータ） (2024-09-29T15:17:33Z)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• Toward DNN of LUTs: Learning Efficient Image Restoration with Multiple Look-Up Tables [47.15181829317732]
  エッジデバイス上の高解像度スクリーンは、効率的な画像復元アルゴリズムに対する強い需要を刺激する。 単一のルックアップテーブルのサイズはインデックス化能力の増加とともに指数関数的に増加する。 本稿では,Mulutと呼ばれるニューラルネットワークのような複数のLUTを構築するための普遍的手法を提案する。
  論文  参考訳（メタデータ） (2023-03-25T16:00:33Z)
• Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning [73.75457731689858]
  本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。 大規模データセットを用いた実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-13T06:01:46Z)

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。