論文の概要: All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network

• arxiv url: http://arxiv.org/abs/2603.03839v1
• Date: Wed, 04 Mar 2026 08:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.237825
• Title: All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network
• Title（参考訳）: 因果分解型ウェーブレット分散プロンプトネットワークによるオールインワン画像復元
• Authors: Bingnan Wang, Bin Qin, Jiangmeng Li, Fanjiang Xu, Fuchun Sun, Hui Xiong,
• Abstract要約: 本稿では、AiOIRを効果的に行うために、因果分解型ウェーブレット分散プロンプトネットワーク(CWP-Net)を提案する。 CWP-Netはデカップリングのための2つのモジュール、すなわちエンコーダのウェーブレットアテンションモジュールとデコーダのウェーブレットアテンションモジュールを導入する。 2つのオールインワン設定の実験により,提案したCWP-Netの有効性と性能が証明された。
• 参考スコア（独自算出の注目度）: 41.06285233763803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration represents a promising approach for addressing the inherent defects of image content distortion. Standard image restoration approaches suffer from high storage cost and the requirement towards the known degradation pattern, including type and degree, which can barely be satisfied in dynamic practical scenarios. In contrast, all-in-one image restoration (AiOIR) eliminates multiple degradations within a unified model to circumvent the aforementioned issues. However, according to our causal analysis, we disclose that two significant defects still exacerbate the effectiveness and generalization of AiOIR models: 1) the spurious correlation between non-degradation semantic features and degradation patterns; 2) the biased estimation of degradation patterns. To obtain the true causation between degraded images and restored images, we propose Causal-deconfounding Wavelet-disentangled Prompt Network (CWP-Net) to perform effective AiOIR. CWP-Net introduces two modules for decoupling, i.e., wavelet attention module of encoder and wavelet attention module of decoder. These modules explicitly disentangle the degradation and semantic features to tackle the issue of spurious correlation. To address the issue stemming from the biased estimation of degradation patterns, CWP-Net leverages a wavelet prompt block to generate the alternative variable for causal deconfounding. Extensive experiments on two all-in-one settings prove the effectiveness and superior performance of our proposed CWP-Net over the state-of-the-art AiOIR methods.
• Abstract（参考訳）: 画像復元は、画像コンテンツ歪みの固有の欠陥に対処するための有望なアプローチである。 標準的な画像復元手法は、高ストレージコストと、型や程度を含む既知の劣化パターンへの要求に悩まされ、動的現実的なシナリオではほとんど満足できない。 対照的に、オールインワン画像復元(AiOIR)は、上記の問題を回避するために統一モデル内の複数の劣化を取り除く。 しかし、我々の因果解析によると、2つの重大な欠陥が依然としてAiOIRモデルの有効性と一般化を悪化させることが明らかとなった。 1) 非劣化意味特徴と劣化パターンの急激な相関 2) 劣化パターンの偏りの推定を行った。 劣化した画像と復元された画像の真の因果関係を得るために、効果的なAiOIRを実現するために、因果分解するウェーブレット不整合Prompt Network(CWP-Net)を提案する。 CWP-Netはデカップリングのための2つのモジュール、すなわちエンコーダのウェーブレットアテンションモジュールとデコーダのウェーブレットアテンションモジュールを導入する。 これらのモジュールは、スプリアス相関の問題に取り組むために、分解と意味的特徴を明示的に切り離す。 劣化パターンのバイアス推定から生じる問題に対処するため、CWP-Netはウェーブレットプロンプトブロックを利用して因果分解のための代替変数を生成する。 2つのオールインワン設定に対する広範囲な実験により、最先端のAiOIR法に対して提案したCWP-Netの有効性と性能が証明された。

関連論文リスト

• Suppressing Uncertainties in Degradation Estimation for Blind Super-Resolution [31.89605287039615]
  ブラインド画像の超解像問題は、未知の劣化モードで低解像度(LR)画像から高解像度(HR)画像を復元することを目的としている。 既存のほとんどの手法は、ぼやけたカーネルを使って画像劣化過程をモデル化している。 盲目的のtextbf Super-textbfResolution フレームワークに対して,textbfUncertainty に基づく分解表現を提案する。
  論文  参考訳（メタデータ） (2024-06-24T08:58:43Z)
• Boosting Visual Recognition in Real-world Degradations via Unsupervised Feature Enhancement Module with Deep Channel Prior [22.323789227447755]
  霧、低照度、動きのぼかしは画像の品質を低下させ、自動運転の安全性を脅かす。 本研究は、劣化した視覚認識のための新しいDeep Channel Prior (DCP)を提案する。 これに基づいて、教師なし特徴補正を実現するために、新しいプラグアンドプレイunsupervised Feature Enhancement Module (UFEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T07:16:56Z)
• AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
  周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。 我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。 提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
  論文  参考訳（メタデータ） (2024-03-21T17:58:14Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。