論文の概要: M2IR: Proactive All-in-One Image Restoration via Mamba-style Modulation and Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2603.14816v1
• Date: Mon, 16 Mar 2026 04:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.052654
• Title: M2IR: Proactive All-in-One Image Restoration via Mamba-style Modulation and Mixture-of-Experts
• Title（参考訳）: M2IR:Mamba-style Modulation and Mixture-of-Expertsによるアクティブオールインワン画像復元
• Abstract要約: M2IRは、符号化段階における劣化伝播を制御し、復号過程における残留劣化を効率的に除去する。 Mamba-Style Transformer (MST) ブロックは、劣化を緩和するために画素ワイズ選択状態変調を行う。 Adaptive Degradation Expert Collaboration (ADEC)モジュールはDA-CLIP駆動ルータによってガイドされ、共有専門家によって補完され、劣化を除去する。
• 参考スコア（独自算出の注目度）: 38.201178244663765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Transformer-based architectures have dominated recent advances in all-in-one image restoration, they remain fundamentally reactive: propagating degradations rather than proactively suppressing them. In the absence of explicit suppression mechanisms, degraded signals interfere with feature learning, compelling the decoder to balance artifact removal and detail preservation, thereby increasing model complexity and limiting adaptability. To address these challenges, we propose M2IR, a novel restoration framework that proactively regulates degradation propagation during the encoding stage and efficiently eliminates residual degradations during decoding. Specifically, the Mamba-Style Transformer (MST) block performs pixel-wise selective state modulation to mitigate degradations while preserving structural integrity. In parallel, the Adaptive Degradation Expert Collaboration (ADEC) module utilizes degradation-specific experts guided by a DA-CLIP-driven router and complemented by a shared expert to eliminate residual degradations through targeted and cooperative restoration. By integrating the MST block and ADEC module, M2IR transitions from passive reaction to active degradation control, effectively harnessing learned representations to achieve superior generalization, enhanced adaptability, and refined recovery of fine-grained details across diverse all-in-one image restoration benchmarks. Our source codes are available at https://github.com/Im34v/M2IR.
• Abstract（参考訳）: Transformerベースのアーキテクチャは、オールインワンのイメージ復元における最近の進歩を支配しているが、基本的にはリアクティブである。 明示的な抑制機構がない場合、劣化した信号は特徴学習を妨害し、デコーダにアーティファクトの除去と詳細保存のバランスを取るよう促し、それによってモデルの複雑さを増大させ、適応性を制限する。 これらの課題に対処するため,復号時の劣化伝播を積極的に抑制し,復号時の劣化を効率的に除去する新しい復元フレームワークであるM2IRを提案する。 具体的には、Mamba-Style Transformer (MST)ブロックは、構造的整合性を保ちながら劣化を軽減するために画素ワイズ選択状態変調を行う。 並行して、Adaptive Degradation Expert Collaboration (ADEC)モジュールは、DA-CLIP駆動ルータによってガイドされ、共有専門家によって補完される劣化専門の専門家を利用して、標的および協調的な修復を通じて劣化を除去する。 MSTブロックとADECモジュールを統合することで、M2IRは受動的反応から能動的劣化制御へ遷移し、学習された表現を効果的に活用して、より優れた一般化、適応性の向上、そして様々なオールインワン画像復元ベンチマークで詳細な詳細を再現する。 ソースコードはhttps://github.com/Im34v/M2IRで公開されています。

関連論文リスト

• Degradation-Aware Prompt Learning with Cross-Modal Compensation for Adverse Weather Removal [56.34780145346335]
  Degradation-Aware Cross-Modal Prompt Compensation Network (DCMPC-Net) DCMPC-Netは、CMPG(Cross-Modal Prompt Generator)、PGAAM(Prompt-Guided Attention Alignment Module)、DFCM(Dual Feature Compensation Module)で構成される。 実験により、DCMPC-Netはタスク固有の設定と統一された設定の両方で最先端のメソッドより優れていることが示された。
  論文  参考訳（メタデータ） (2026-08-07T08:13:40Z)
• What to Remove, What to Preserve: Dual-Ambiguity Rectification for All-in-One Image Restoration [22.756769058194788]
  本稿では,オールインワン画像復元のためのDAR-Netを提案する。 DAR-Netはまず、単純なx制約のアーチタイプ混合モデリングにより構造化された劣化状態を導入する。 Semantic Ambiguity Rectification (SeAR)モジュールはデコーダのチャネルワイドコンディショニングを改善するための劣化認識プロンプトを生成する。
  論文  参考訳（メタデータ） (2026-07-30T17:01:24Z)
• CURE: Controllable Unified Image Restoration for Complex Degradations [11.660815850318114]
  CUREは複雑な劣化設定で制御可能な復元を可能にする統一されたフレームワークである。 CUREは、複合劣化ベンチマークで最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2026-07-03T07:34:11Z)
• Degradation-Aware Adaptive Context Gating for Unified Image Restoration [57.06559692537862]
  単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 DACG-IRは,劣化特性を明瞭に認識し,特徴表現を動的に変調する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-02T04:18:43Z)
• Compositional-Degradation UAV Image Restoration: Conditional Decoupled MoE Network and A Benchmark [27.358052049742764]
  UAV画像は、大面積マッピング、インフラ検査、緊急応答などのアプリケーションに重要である。 現実の飛行環境では、雨や迷路、騒音など、複数の劣化要因によって単一の画像が影響を受けることが多い。 DAME-Netは、劣化条件付き再構成から明確な劣化知覚を分離する、劣化認識用混合処理ネットワークである。
  論文  参考訳（メタデータ） (2026-04-10T13:27:39Z)
• ClusIR: Towards Cluster-Guided All-in-One Image Restoration [72.16989784735796]
  ClusIRは、統一されたフレームワーク内でさまざまな劣化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。 ClusIRは、確率的クラスタ誘導ルーティング機構(PCGRM)と劣化対応周波数変調モジュール(DAFMM)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-11T18:59:47Z)
• Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
  現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。 本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。 その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
  論文  参考訳（メタデータ） (2025-11-07T01:50:36Z)
• DPMambaIR: All-in-One Image Restoration via Degradation-Aware Prompt State Space Model [52.44931846016603]
  DPMambaIRは新しいオールインワン画像復元フレームワークで、微細な分解抽出器と劣化を意識した状態空間モデルを導入している。 DPMambaIRは、PSNRとSSIMでそれぞれ27.69dBと0.893の最高性能を達成している。
  論文  参考訳（メタデータ） (2025-04-24T16:46:32Z)
• 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)
• Toward Interactive Modulation for Photo-Realistic Image Restoration [16.610981587637102]
  画像復元レベルの調整は、復元強度を表す因子を変更して復元画像を生成することを目指しています。 本稿では、変調タスクで高周波テクスチャを生成する制御可能なUnetGenerative Adversarial Network (CUGAN)を提案する。
  論文  参考訳（メタデータ） (2021-05-07T07:05:56Z)

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。