論文の概要: QualiTeacher: Quality-Conditioned Pseudo-Labeling for Real-World Image Restoration

• arxiv url: http://arxiv.org/abs/2603.08030v1
• Date: Mon, 09 Mar 2026 07:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.620417
• Title: QualiTeacher: Quality-Conditioned Pseudo-Labeling for Real-World Image Restoration
• Title（参考訳）: QualiTeacher: 高品質な擬似ラベルによる実世界のイメージ復元
• Authors: Fengyang Xiao, Jingjia Feng, Peng Hu, Dingming Zhang, Lei Xu, Guanyi Qin, Lu Li, Chunming He, Sina Farsiu,
• Abstract要約: QualiTeacherは、疑似ラベル品質をノイズの多い負債から条件付き監視信号に変換する新しいフレームワークである。 学生ネットワークに品質グレードの復元多様体を学習させ、異なる品質レベルを構成するものを理解する。 標準的なRWIRベンチマークの実験は、QuariTeacherが既存の擬似ラベルフレームワークの品質を改善するためのプラグアンドプレイ戦略として機能することを実証している。
• 参考スコア（独自算出の注目度）: 23.7406836456618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image restoration (RWIR) is a highly challenging task due to the absence of clean ground-truth images. Many recent methods resort to pseudo-label (PL) supervision, often within a Mean-Teacher (MT) framework. However, these methods face a critical paradox: unconditionally trusting the often imperfect, low-quality PLs forces the student model to learn undesirable artifacts, while discarding them severely limits data diversity and impairs model generalization. In this paper, we propose QualiTeacher, a novel framework that transforms pseudo-label quality from a noisy liability into a conditional supervisory signal. Instead of filtering, QualiTeacher explicitly conditions the student model on the quality of the PLs, estimated by an ensemble of complementary non-reference image quality assessment (NR-IQA) models spanning low-level distortion and semantic-level assessment. This strategy teaches the student network to learn a quality-graded restoration manifold, enabling it to understand what constitutes different quality levels. Consequently, it can not only avoid mimicking artifacts from low-quality labels but also extrapolate to generate results of higher quality than the teacher itself. To ensure the robustness and accuracy of this quality-driven learning, we further enhance the process with a multi-augmentation scheme to diversify the PL quality spectrum, a score-based preference optimization strategy inspired by Direct Preference Optimization (DPO) to enforce a monotonically ordered quality separation, and a cropped consistency loss to prevent adversarial over-optimization (reward hacking) of the IQA models. Experiments on standard RWIR benchmarks demonstrate that QualiTeacher can serve as a plug-and-play strategy to improve the quality of the existing pseudo-labeling framework, establishing a new paradigm for learning from imperfect supervision. Code will be released.
• Abstract（参考訳）: 実世界の画像復元(RWIR)は、クリーンな地上構造画像がないため、非常に困難な課題である。 最近の多くの手法は擬似ラベル(PL)の監督を頼りにしており、しばしば平均教師(MT)フレームワーク内で行われる。 しかし、これらの手法は重要なパラドックスに直面している: しばしば不完全で品質の低いPLを無条件に信頼することは、学生モデルに望ましくないアーティファクトを学習させ、データ多様性を著しく制限し、モデルの一般化を損なう。 本稿では,疑似ラベル品質を雑音性から条件付き監視信号に変換する新しいフレームワークであるQuariTeacherを提案する。 フィルタの代わりにQuariTeacherは、低レベルの歪みと意味レベルの評価にまたがる相補的非参照画像品質評価(NR-IQA)モデルのアンサンブルによって推定されるPLの品質を学生モデルに明示的に規定する。 この戦略により、学生ネットワークは品質グレードの復元多様体を学習し、異なる品質レベルを構成するものを理解することができる。 その結果、低品質なラベルから人工品を模倣することを避けるだけでなく、教師自身よりも質の高い結果を生み出すことができる。 この品質駆動学習の堅牢性と正確性を確保するため,PLの品質スペクトルを多様化する多機能化スキーム,単調に順序付けられた品質分離を強制する直接選好最適化(DPO)に着想を得たスコアベースの選好最適化戦略,IQAモデルの逆過最適化(逆ハック)を防止するための収量整合損失などにより,プロセスをさらに強化する。 標準的なRWIRベンチマークの実験は、QuariTeacherが既存の擬似ラベルフレームワークの品質を向上させるためのプラグアンドプレイ戦略として機能し、不完全な監督から学ぶための新しいパラダイムを確立することを実証している。 コードはリリースされる。

関連論文リスト

• ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images [76.5101823186747]
  本稿では,AI生成画像の品質評価のためのラベルフリーフレームワークELIQを提案する。 具体的には、ELIQは視覚的品質と迅速なイメージアライメントに重点を置いている。 従来の歪みとAIGC固有の歪みモードの両方をカバーするために、正とアスペクト固有の負のペアを自動的に構成する。
  論文  参考訳（メタデータ） (2026-02-03T14:04:51Z)
• OmniQuality-R: Advancing Reward Models Through All-Encompassing Quality Assessment [55.59322229889159]
  我々は,マルチタスク品質推論を連続的かつ解釈可能な報酬信号に変換する統一報酬モデリングフレームワークOmniQuality-Rを提案する。 我々は、推論強化報酬モデルデータセットを使用して、教師付き微調整のための信頼性の高いチェーンオブ思考データセットを構築します。 OmniQuality-Rは,美的品質評価,技術的品質評価,テキスト画像アライメントという3つの重要なIQAタスクで評価する。
  論文  参考訳（メタデータ） (2025-10-12T13:46:28Z)
• FROQ: Observing Face Recognition Models for Efficient Quality Assessment [5.154970335677459]
  顔認識(FR)は多くの重要な(高い)応用において重要な役割を担っている。 最先端のFIQA技術の多くは、正確な品質推定を達成するために広範囲の教師付きトレーニングに依存している。 本稿では、顔画像の品質を半教師あり、トレーニングなしのアプローチであるFROQを紹介する。
  論文  参考訳（メタデータ） (2025-09-22T12:29:44Z)
• HiRQA: Hierarchical Ranking and Quality Alignment for Opinion-Unaware Image Quality Assessment [10.761579471650771]
  HiRQAは自己管理型の意見認識フレームワークで、ランキングと対照的な学習の組み合わせによって、階層的で品質を意識した埋め込みを提供する。 リアルタイムデプロイメントでは,画像当たり3.5ミリ秒の推論時間を持つ軽量版である textbfHiRQA-S を導入する。
  論文  参考訳（メタデータ） (2025-08-20T23:48:21Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Re-IQA: Unsupervised Learning for Image Quality Assessment in the Wild [38.197794061203055]
  教師なし環境で高レベルのコンテンツと低レベルの画像品質特徴を学習するために、2つの異なるエンコーダを訓練するためのMixture of Expertsアプローチを提案する。 本稿では,Re-IQAフレームワークから得られた高次・低次画像表現を,線形回帰モデルをトレーニングするために展開する。 本手法は,大規模画像品質評価データベース上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-02T05:06:51Z)

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。