論文の概要: RetinexDualV2: Physically-Grounded Dual Retinex for Generalized UHD Image Restoration

• arxiv url: http://arxiv.org/abs/2603.27979v1
• Date: Mon, 30 Mar 2026 03:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.204352
• Title: RetinexDualV2: Physically-Grounded Dual Retinex for Generalized UHD Image Restoration
• Title（参考訳）: RetinexDualV2: 一般的なUHD画像復元のための物理的に取り囲んだデュアルレチネックス
• Authors: Mohab Kishawy, Jun Chen,
• Abstract要約: 多様なUHD画像復元のための統合された物理的基盤を持つデュアルブランチフレームワークであるRetinexDualV2を提案する。 汎用モデルとは異なり,本手法では,分解に注意する先行情報を抽出するために,TS-PGM (Task-Specific Physical Grounding Module) を用いる。
• 参考スコア（独自算出の注目度）: 6.464740567551403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose RetinexDualV2, a unified, physically grounded dual-branch framework for diverse Ultra-High-Definition (UHD) image restoration. Unlike generic models, our method employs a Task-Specific Physical Grounding Module (TS-PGM) to extract degradation-aware priors (e.g., rain masks and dark channels). These explicitly guide a Retinex decomposition network via a novel Physical-conditioned Multi-head Self-Attention (PC-MSA) mechanism, enabling robust reflection and illumination correction. This physical conditioning allows a single architecture to handle various complex degradations seamlessly, without task-specific structural modifications. RetinexDualV2 demonstrates exceptional generalizability, securing 4\textsuperscript{th} place in the NTIRE 2026 Day and Night Raindrop Removal Challenge and 5\textsuperscript{th} place in the Joint Noise Low-light Enhancement (JNLLIE) Challenge. Extensive experiments confirm the state-of-the-art performance and efficiency of our physically motivated approach.
• Abstract（参考訳）: RetinexDualV2は,多種多様な超高精細(UHD)画像復元のための統一的,物理的に基盤付けられたデュアルブランチフレームワークである。 汎用モデルとは異なり,本手法では,分解に注意する先行(雨マスクや暗黒チャネルなど)を抽出するために,TS-PGM (Task-Specific Physical Grounding Module) を用いる。 これらは、新しい物理条件付きマルチヘッド自己認識(PC-MSA)機構を通じて、レチネックス分解ネットワークを明示的に誘導し、堅牢な反射と照明補正を可能にする。 この物理的条件付けにより、タスク固有の構造変更なしに、単一のアーキテクチャで様々な複雑な劣化をシームレスに処理できる。 RetinexDualV2は、NTIRE 2026 Day and Night Raindrop Stop Challengeで4\textsuperscript{th}、Joint Noise Low-light Enhancement (JNLLIE) Challengeで5\textsuperscript{th}の4つの場所を確保。 大規模な実験により、我々の身体的動機付けアプローチの最先端のパフォーマンスと効率が確認された。

関連論文リスト

• FeatDistill: A Feature Distillation Enhanced Multi-Expert Ensemble Framework for Robust AI-generated Image Detection [14.180599240051238]
  FeatDistillは、特徴蒸留とマルチエキスパートアンサンブルを統合する、AI生成の画像検出フレームワークである。 NTIRE Challenge on Robust AI-Generated Image Detection in the Wildのために開発された。
  論文  参考訳（メタデータ） (2026-03-23T12:55:31Z)
• UniSER: A Foundation Model for Unified Soft Effects Removal [72.60782767314713]
  一つのフレームワーク内でのソフトエフェクトによる多様な劣化に対処できるUniSERを導入する。 我々の方法論は、堅牢性と一般化を保証するために、巨大な3.8Mペアデータセットのキュレーションに重点を置いている。 このシナジスティックなアプローチにより、UniSERはスペシャリストモデルとジェネラリストモデルの両方を大きく上回る。
  論文  参考訳（メタデータ） (2025-11-18T06:39:39Z)
• RetinexDual: Retinex-based Dual Nature Approach for Generalized Ultra-High-Definition Image Restoration [5.075864600930347]
  RetinexDualは、一般化された超高精細画像復元(UHD IR)タスクのために設計された、Retinex理論に基づく新しいフレームワークである。 我々は、4つのUHD IRタスク、すなわちデラニング、デブロアリング、デハージング、低照度画像強調(LLIE)についてRetinexDualを評価する。
  論文  参考訳（メタデータ） (2025-08-06T18:15:05Z)
• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• PromptHSI: Universal Hyperspectral Image Restoration with Vision-Language Modulated Frequency Adaptation [28.105125164852367]
  本稿では,初のユニバーサルAiO HSI復元フレームワークであるPromptHSIを提案する。 提案手法では,テキストプロンプトを強度とバイアスコントローラに分解し,回復過程を効果的に導く。 我々のアーキテクチャは、さまざまな劣化シナリオにおいて、きめ細かい回復とグローバルな情報復元の両方に優れています。
  論文  参考訳（メタデータ） (2024-11-24T17:08:58Z)
• 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)
• Multi-task Image Restoration Guided By Robust DINO Features [88.74005987908443]
  DINOv2から抽出したロバストな特徴を利用したマルチタスク画像復元手法であるmboxtextbfDINO-IRを提案する。 まず,DINOV2の浅い特徴を動的に融合するPSF (Pixel-semantic fusion) モジュールを提案する。 これらのモジュールを統一された深層モデルに定式化することにより、モデルトレーニングを制約するために、DINO知覚の対照的な損失を提案する。
  論文  参考訳（メタデータ） (2023-12-04T06:59:55Z)
• 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)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。