論文の概要: UnSCAR: Universal, Scalable, Controllable, and Adaptable Image Restoration

• arxiv url: http://arxiv.org/abs/2603.07406v1
• Date: Sun, 08 Mar 2026 01:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.486118
• Title: UnSCAR: Universal, Scalable, Controllable, and Adaptable Image Restoration
• Title（参考訳）: UnSCAR:Universal, Scalable, Controllable, Adaptable Image Restoration
• Abstract要約: ユニバーサル画像復元は、任意の現実世界の劣化からクリーンなイメージを復元することを目的としている。 既存のオールインワン復元ネットワークは、複数の劣化にスケールしない。 本稿では,専門的なタスク適応型エキスパート間での復元知識を分解する,エキスパートの混在した統合推論パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 20.447922377156143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal image restoration aims to recover clean images from arbitrary real-world degradations using a single inference model. Despite significant progress, existing all-in-one restoration networks do not scale to multiple degradations. As the number of degradations increases, training becomes unstable, models grow excessively large, and performance drops across both seen and unseen domains. In this work, we show that scaling universal restoration is fundamentally limited by interference across degradations during joint learning, leading to catastrophic task forgetting. To address this challenge, we introduce a unified inference pipeline with a multi-branch mixture-of-experts architecture that decomposes restoration knowledge across specialized task-adaptable experts. Our approach enables scalable learning (over sixteen degradations), adapts and generalizes robustly to unseen domains, and supports user-controllable restoration across degradations. Beyond achieving superior performance across benchmarks, this work establishes a new design paradigm for scalable and controllable universal image restoration.
• Abstract（参考訳）: ユニバーサル画像復元は,単一推論モデルを用いて任意の実世界の劣化からクリーンなイメージを復元することを目的としている。 大幅な進歩にもかかわらず、既存のオールインワン修復ネットワークは、複数の劣化にスケールしない。 劣化の数が増えると、トレーニングは不安定になり、モデルは過度に大きくなり、目に見えない領域と見えない領域の両方でパフォーマンスが低下する。 本研究は, 共同学習における劣化の干渉により, 万能修復のスケーリングが根本的に制限されることを示し, 破滅的なタスクを忘れる結果となった。 この課題に対処するために、特殊タスク適応型エキスパート間で復元知識を分解するマルチブランチ・ミックス・オブ・エキスパートアーキテクチャを用いた統合推論パイプラインを導入する。 当社のアプローチでは、スケーラブルな学習(16以上の劣化)を可能にし、未確認領域に堅牢な適応と一般化を実現し、分解全体にわたってユーザ制御可能な復元をサポートしています。 この研究は、ベンチマーク間で優れたパフォーマンスを達成するだけでなく、スケーラブルで制御可能なユニバーサルイメージ復元のための新しい設計パラダイムを確立している。

関連論文リスト

• Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
  画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。 最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T06:01:36Z)
• Divide and Restore: A Modular Task-Decoupled Framework for Universal Image Restoration [0.0]
  様々な種類の劣化によって影響を受ける画像の復元は、コンピュータビジョンにおいて重要な課題である。 本稿では,明示的な診断ルーティング機構に基づくモジュール型タスク分離型画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T16:45:16Z)
• Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
  画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した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。 本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。 具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T13:13:44Z)
• RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models [55.40883650570416]
  9つの一般的な実世界の劣化型をカバーする大規模なデータセットを構築した。 クローズドソースの代替品とのギャップを狭めるために、最先端のオープンソースモデルをトレーニングします。 我々のモデルは、最先端のパフォーマンスを達成し、オープンソース手法の中で第1位である。
  論文  参考訳（メタデータ） (2026-03-26T14:39:39Z)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• Chain-of-Restoration: Multi-Task Image Restoration Models are Zero-Shot Step-by-Step Universal Image Restorers [53.298698981438]
  本稿では,UIR(Universal Image Restoration)という新たなタスク設定を提案する。 UIRは、すべての劣化組み合わせのトレーニングを必要とせず、一連の劣化基だけに限って、これらの基がゼロショットで構成できる可能性のある劣化を取り除く。 本稿では,未知の複合劣化を段階的に除去するモデルをモデルに指示する,CoR(Chain-of-Restoration)機構を提案する。
  論文  参考訳（メタデータ） (2024-10-11T10:21:42Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Restorer: Removing Multi-Degradation with All-Axis Attention and Prompt Guidance [12.066756224383827]
  textbfRestorerはトランスフォーマーベースのオールインワン画像復元モデルである。 追加のトレーニングを必要とせずに、現実世界のシナリオで複合的な劣化を処理することができる。 推論中は効率が良く、現実世界の応用の可能性も示唆している。
  論文  参考訳（メタデータ） (2024-06-18T13:18:32Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)

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。