論文の概要: RobustSCI: Beyond Reconstruction to Restoration for Snapshot Compressive Imaging under Real-World Degradations

• arxiv url: http://arxiv.org/abs/2603.07489v2
• Date: Sun, 15 Mar 2026 15:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.483997
• Title: RobustSCI: Beyond Reconstruction to Restoration for Snapshot Compressive Imaging under Real-World Degradations
• Title（参考訳）: RobustSCI: 実世界の劣化下でのスナップショット圧縮画像の再構成と復元
• Authors: Hao Wang, Zhankuo Xu, Jiong Ni, Xing Liu, Haoyang Liu, Xin Yuan,
• Abstract要約: Snapshot Compressive Imaging (SCI)のディープラーニングアルゴリズムは大きな成功を収めているが、彼らはクリーンな測定から再構築することに集中している。 キャプチャーされた信号は、しばしば動きのぼやけと低い光によってひどく劣化する。 我々は「再建」から「復元」にゴールを移し、ロバストビデオSCI復元の最初の研究を開拓した。
• 参考スコア（独自算出の注目度）: 10.97222510938998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning algorithms for video Snapshot Compressive Imaging (SCI) have achieved great success, yet they predominantly focus on reconstructing from clean measurements. This overlooks a critical real-world challenge: the captured signal itself is often severely degraded by motion blur and low light. Consequently, existing models falter in practical applications. To break this limitation, we pioneer the first study on robust video SCI restoration, shifting the goal from "reconstruction" to "restoration"--recovering the underlying pristine scene from a degraded measurement. To facilitate this new task, we first construct a large-scale benchmark by simulating realistic, continuous degradations on the DAVIS 2017 dataset. Second, we propose RobustSCI, a network that enhances a strong encoder-decoder backbone with a novel RobustCFormer block. This block introduces two parallel branches--a multi-scale deblur branch and a frequency enhancement branch--to explicitly disentangle and remove degradations during the recovery process. Furthermore, we introduce RobustSCI-C (RobustSCI-Cascade), which integrates a pre-trained Lightweight Post-processing Deblurring Network to significantly boost restoration performance with minimal overhead. Extensive experiments demonstrate that our methods outperform all SOTA models on the new degraded testbeds, with additional validation on real-world degraded SCI data confirming their practical effectiveness, elevating SCI from merely reconstructing what is captured to restoring what truly happened.
• Abstract（参考訳）: ビデオスナップショット圧縮イメージング(SCI)のディープラーニングアルゴリズムは大きな成功を収めているが、彼らはクリーンな測定から再構築することに集中している。 キャプチャーされた信号は、しばしば動きのぼやけと低い光によってひどく劣化する。 その結果、既存のモデルは実用上は不利である。 この限界を打破するために、我々は、ロバストなビデオSCI復元の最初の研究を開拓し、ゴールを「再構成」から「復元」に変更し、下層のプリズムシーンを劣化測定から復元した。 DAVIS 2017データセットの現実的な連続的な劣化をシミュレートして、この新たな作業を容易にするために、我々はまず大規模なベンチマークを構築した。 次に、ロバストCFormerブロックで強力なエンコーダデコーダバックボーンを強化するネットワークであるロバストSCIを提案する。 このブロックは、マルチスケールのデブルーブランチと周波数拡張ブランチという2つの並列ブランチを導入し、リカバリプロセス中の劣化を明示的に解消し除去する。 さらに、トレーニング済みの軽量後処理デブロアリングネットワークを統合し、最小オーバーヘッドで復元性能を大幅に向上させるRobustSCI-C(RobustSCI-Cascade)を導入する。 大規模な実験により,本手法は新たな劣化テストベッド上でのSOTAモデルよりも優れており,実世界の劣化SCIデータに対するさらなる検証により,その実用性が確認された。

関連論文リスト

• Progressive Flow-inspired Unfolding for Spectral Compressive Imaging [11.638690628451647]
  符号化開口スナップショット分光画像(CASSI)は、単一の2次元圧縮計測から3次元ハイパースペクトル画像(HSI)を取得する。 近年の深層展開ネットワーク (DUN) はCASSI再建の最先端を達成している。 拡散軌跡と流れの整合性に着想を得て,新しい軌道制御可能な展開フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T16:10:50Z)
• A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing [5.6223397629993626]
  HDI-PRNetは高次劣化画像のプログレッシブ復元ネットワークである。 本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-10T05:08:39Z)
• LoRA-IR: Taming Low-Rank Experts for Efficient All-in-One Image Restoration [62.3751291442432]
  高速なオールインワン画像復元を実現するために,コンパクトな低ランクの専門家を動的に活用する,フレキシブルなフレームワークであるLoRA-IRを提案する。 LoRA-IRは、劣化誘導前訓練とパラメータ効率の良い微調整の2つの訓練段階で構成されている。 実験により、LoRA-IRは計算効率を維持しつつ、14のIRタスクと29のベンチマークでSOTA性能を達成することが示された。
  論文  参考訳（メタデータ） (2024-10-20T13:00:24Z)
• 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)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
  我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。 次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。 再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
  論文  参考訳（メタデータ） (2020-10-30T19:26:14Z)

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。