論文の概要: RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models

• arxiv url: http://arxiv.org/abs/2603.25502v1
• Date: Thu, 26 Mar 2026 14:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.339645
• Title: RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models
• Title（参考訳）: RealRestorer:大規模画像編集モデルによる一般化可能なリアルタイム画像復元を目指して
• Authors: Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei Cheng, jinghong lan, Shiyu Liu, Yuqi Peng, Gang YU, Shifeng Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.40883650570416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image restoration under real-world degradations is critical for downstream tasks such as autonomous driving and object detection. However, existing restoration models are often limited by the scale and distribution of their training data, resulting in poor generalization to real-world scenarios. Recently, large-scale image editing models have shown strong generalization ability in restoration tasks, especially for closed-source models like Nano Banana Pro, which can restore images while preserving consistency. Nevertheless, achieving such performance with those large universal models requires substantial data and computational costs. To address this issue, we construct a large-scale dataset covering nine common real-world degradation types and train a state-of-the-art open-source model to narrow the gap with closed-source alternatives. Furthermore, we introduce RealIR-Bench, which contains 464 real-world degraded images and tailored evaluation metrics focusing on degradation removal and consistency preservation. Extensive experiments demonstrate our model ranks first among open-source methods, achieving state-of-the-art performance.
• Abstract（参考訳）: 現実の劣化下での画像復元は、自律運転や物体検出といった下流のタスクに不可欠である。 しかし、既存の復元モデルはトレーニングデータの規模や分布によって制限されることが多く、現実のシナリオへの一般化は不十分である。 近年、大規模な画像編集モデルは、特にNano Banana Proのような、一貫性を維持しながら画像を復元できるクローズドソースモデルにおいて、復元タスクにおいて強力な一般化能力を示している。 それでも、これらの大きな普遍モデルでそのような性能を達成するには、かなりのデータと計算コストが必要である。 この問題に対処するために、9つの一般的な実世界の劣化タイプをカバーする大規模なデータセットを構築し、最先端のオープンソースモデルをトレーニングし、クローズドソースの代替品とのギャップを狭める。 さらに,464個の実世界の劣化画像と,劣化除去と一貫性保存に着目した調整された評価指標を含むRealIR-Benchを紹介する。 大規模な実験により、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位であることが示された。

関連論文リスト

• UnSCAR: Universal, Scalable, Controllable, and Adaptable Image Restoration [20.447922377156143]
  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。
  論文  参考訳（メタデータ） (2026-03-08T01:35:54Z)
• FoundIR: Unleashing Million-scale Training Data to Advance Foundation Models for Image Restoration [66.61201445650323]
  既存の手法は現実のシナリオにおける一般化ボトルネックに悩まされる。 既存のトレーニングデータに対して,2つの大きなメリットがある,100万規模のデータセットをコントリビュートしています。 実世界のシナリオにおいて,より広範囲の復元作業に対処するために,ロバストなモデルFoundIRを提案する。
  論文  参考訳（メタデータ） (2024-12-02T12:08:40Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• A general approach to bridge the reality-gap [0.0]
  これを回避するための一般的なアプローチは、大量のラベル付きデータを持つ既存の類似したデータセットを活用することである。 本稿では,任意の画像を正規分布へ変換する一般変換学習を提案する。 この変換は教師なしのシステムで訓練され、データの増大を利用して画像の非標準的な例を生成する。
  論文  参考訳（メタデータ） (2020-09-03T18:19:28Z)

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。