論文の概要: SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2603.05940v1
• Date: Fri, 06 Mar 2026 06:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.178892
• Title: SLER-IR: Spherical Layer-wise Expert Routing for All-in-One Image Restoration
• Title（参考訳）: SLER-IR:オールインワン画像復元のための球面層ワイドエキスパートルーティング
• Authors: Peng Shurui, Xin Lin, Shi Luo, Jincen Ou, Dizhe Zhang, Lu Qi, Truong Nguyen, Chao Ren,
• Abstract要約: SLER-IRは、ネットワーク層にまたがる特殊な専門家を活性化する球面的なレイヤーワイド・エキスパート・ルーティング・フレームワークである。 信頼性の高いルーティングを保証するため,Spherical Uniform Degradation Embedding with contrastive learningを導入する。 Global-Local Granularity Fusionモジュールは、空間的非一様分解に対処するために、グローバルセマンティクスと局所分解キューを統合する。
• 参考スコア（独自算出の注目度）: 23.475659268865186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration under diverse degradations remains challenging for unified all-in-one frameworks due to feature interference and insufficient expert specialization. We propose SLER-IR, a spherical layer-wise expert routing framework that dynamically activates specialized experts across network layers. To ensure reliable routing, we introduce a Spherical Uniform Degradation Embedding with contrastive learning, which maps degradation representations onto a hypersphere to eliminate geometry bias in linear embedding spaces. In addition, a Global-Local Granularity Fusion (GLGF) module integrates global semantics and local degradation cues to address spatially non-uniform degradations and the train-test granularity gap. Experiments on three-task and five-task benchmarks demonstrate that SLER-IR achieves consistent improvements over state-of-the-art methods in both PSNR and SSIM. Code and models will be publicly released.
• Abstract（参考訳）: 多様な劣化下での画像復元は、機能的干渉と専門家の専門化が不十分なため、統合されたオールインワンフレームワークでは依然として困難である。 ネットワーク層にまたがる特殊専門家を動的に活性化する球面的な層ワイド・エキスパート・ルーティング・フレームワークであるSLER-IRを提案する。 線形埋め込み空間における幾何バイアスを除去するために,高次元球面に分解表現をマッピングする,コントラスト学習を伴う球状一様劣化埋め込みを導入する。 さらに,Global-Local Granularity Fusion (GLGF)モジュールは,グローバルセマンティクスと局所分解キューを統合し,空間的非一様劣化と列車-テストの粒度ギャップに対処する。 3タスクと5タスクのベンチマークの実験では、SLER-IRはPSNRとSSIMの両方で最先端の手法よりも一貫した改善を達成している。 コードとモデルは公開されます。

関連論文リスト

• SRasP: Self-Reorientation Adversarial Style Perturbation for Cross-Domain Few-Shot Learning [29.002306547742347]
  Cross-Domain Few-Shot Learningは、見知らぬソースドメインから見つからないターゲットドメインに知識を転送することを目的としている。 既存のスタイルベースの摂動法はドメインシフトを緩和するが、しばしば不安定性や収束性に悩まされる。 本稿では,自己回帰型アンダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン・インダーライン(SRasP)と呼ばれる,新たな作物
  論文  参考訳（メタデータ） (2026-03-05T13:03:35Z)
• SHARE: A Fully Unsupervised Framework for Single Hyperspectral Image Restoration [9.908527979711902]
  ハイパースペクトル画像(HSI)の復元は、計算画像とコンピュータビジョンの基本的な課題である。 本稿では、低ランクスペクトルモデリングと幾何同値原理を統一する、完全に教師なしのフレームワークであるSHAREを提案する。 提案手法は最先端の教師なし手法よりも優れており,教師付き手法に匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2026-01-20T14:01:13Z)
• Zero-shot Adaptation of Stable Diffusion via Plug-in Hierarchical Degradation Representation for Real-World Super-Resolution [22.82705867627899]
  Real-World Image Super-Resolutionは、未知の複雑な実世界の要因によって劣化した低品質な入力から高品質なイメージを復元することを目的としている。 textbfHD-CLIP (textbfHierarchical textbfDegradation CLIP)は、低品質の画像をセマンティック埋め込みに分解する。 textbfCLIPは、トレーニングなしで様々な超解像度フレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-12-11T06:45:28Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Annotation-Free Open-Vocabulary Segmentation for Remote-Sensing Images [51.74614065919118]
  本稿では,アノテーションのないRS画像のオープン語彙セグメンテーションのための最初のフレームワークであるSegEarth-OVを紹介する。 粗い特徴から高分解能空間の詳細を頑健に復元する普遍的なアップサンプラーであるSimFeatUpを提案する。 また、パッチ機能から固有のグローバルコンテキストを抽出するための、シンプルで効果的なグローバルバイアス緩和操作も提示する。
  論文  参考訳（メタデータ） (2025-08-25T14:22:57Z)
• HiNeuS: High-fidelity Neural Surface Mitigating Low-texture and Reflective Ambiguity [8.74691272469226]
  HiNeuSは、既存のアプローチにおける3つの中核的な制限に、一貫したフレームワークである。 1) SDF誘導線トレーシングによる微分可視性検証, 2) レイアライン幾何パッチによる平面コンフォーマルな正規化, 3) 局所勾配に基づく幾何的制約を動的に調節する物理的に接地されたアイコン緩和。
  論文  参考訳（メタデータ） (2025-06-30T13:45:25Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)

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。