論文の概要: Derain-Agent: A Plug-and-Play Agent Framework for Rainy Image Restoration

• arxiv url: http://arxiv.org/abs/2603.11866v1
• Date: Thu, 12 Mar 2026 12:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.073774
• Title: Derain-Agent: A Plug-and-Play Agent Framework for Rainy Image Restoration
• Title（参考訳）: Derain-Agent: 雨のイメージ復元のためのプラグイン&プレイエージェントフレームワーク
• Authors: Zhaocheng Yu, Xiang Chen, Runzhe Li, Zihan Geng, Guanglu Sun, Haipeng Li, Kui Jiang,
• Abstract要約: Derain-Agentは静的な処理から動的エージェントベースの復元へ移行するプラグイン・アンド・プレイ・リファインメント・フレームワークである。 Derain-Agentは、1)各インスタンスに対して最適な修復ツールのシーケンスをインテリジェントにスケジュールするプランニングネットワーク、2)これらのツールを空間適応強度で適用する強度変調機構の2つのコア機能を備えたベースデラリニングモデルを備えている。 提案手法は, 合成および実世界のベンチマークにおいて, 最先端のデラミニングモデルの性能を継続的に向上させ, 強力な一般化を示す。
• 参考スコア（独自算出の注目度）: 33.7820079889815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning has advanced single-image deraining, existing models suffer from a fundamental limitation: they employ a static inference paradigm that fails to adapt to the complex, coupled degradations (e.g., noise artifacts, blur, and color deviation) of real-world rain. Consequently, restored images often exhibit residual artifacts and inconsistent perceptual quality. In this work, we present Derain-Agent, a plug-and-play refinement framework that transitions deraining from static processing to dynamic, agent-based restoration. Derain-Agent equips a base deraining model with two core capabilities: 1) a Planning Network that intelligently schedules an optimal sequence of restoration tools for each instance, and 2) a Strength Modulation mechanism that applies these tools with spatially adaptive intensity. This design enables precise, region-specific correction of residual errors without the prohibitive cost of iterative search. Our method demonstrates strong generalization, consistently boosting the performance of state-of-the-art deraining models on both synthetic and real-world benchmarks.
• Abstract（参考訳）: 既存のモデルは静的推論パラダイムを採用しており、実際の雨の複合的な劣化(例えば、ノイズアーティファクト、ぼかし、色偏差)に適応できない。 その結果、復元された画像は、しばしば残存する遺物や知覚の質に矛盾する。 本稿では,静的処理から動的エージェントベースの復元へデラインを移行するプラグイン・アンド・プレイ・リファインメント・フレームワークであるDerain-Agentを紹介する。 Derain-Agentは2つのコア機能を持つベースデラライニングモデルを備えている。 1)各インスタンスの回復ツールの最適なシーケンスをインテリジェントにスケジュールするプランニングネットワーク 2)これらの工具を空間適応強度で適用する強度変調機構。 この設計により、反復探索の禁止コストを伴わずに、高精度かつ地域固有の残差補正が可能となる。 提案手法は, 合成および実世界のベンチマークにおいて, 最先端のデラミニングモデルの性能を継続的に向上させ, 強力な一般化を示す。

関連論文リスト

• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Continual Learning-Based Unified Model for Unpaired Image Restoration Tasks [2.7241418453016792]
  自律運転のような応用には、異なる気象条件により劣化した画像の復元を行うために統一モデルが必要である。 画像復元のための統合フレームワークを提案するために,連続的な学習手法を提案する。 PSNR, SSIM, 知覚的品質が, 最先端技術よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-07-25T11:47:40Z)
• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• DRM-IR: Task-Adaptive Deep Unfolding Network for All-In-One Image Restoration [5.573836220587265]
  本研究は,効率的な動的参照モデリングパラダイム(DRM-IR)を提案する。 DRM-IRはタスク適応型劣化モデリングとモデルベースの画像復元で構成されている。 複数のベンチマークデータセットの実験は、DRM-IRがAll-In-One IRで最先端のIRを達成することを示している。
  論文  参考訳（メタデータ） (2023-07-15T02:42:19Z)
• 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)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)

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。