論文の概要: Divide and Restore: A Modular Task-Decoupled Framework for Universal Image Restoration
- arxiv url: http://arxiv.org/abs/2603.28658v1
- Date: Mon, 30 Mar 2026 16:45:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.515904
- Title: Divide and Restore: A Modular Task-Decoupled Framework for Universal Image Restoration
- Title（参考訳）: Divide and Restore: ユニバーサルイメージ復元のためのモジュール型タスク分離フレームワーク
- Authors: Joanna Wiekiera, Martyna Zur,
- Abstract要約: 様々な種類の劣化によって影響を受ける画像の復元は、コンピュータビジョンにおいて重要な課題である。
本稿では,明示的な診断ルーティング機構に基づくモジュール型タスク分離型画像復元フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Restoring images affected by various types of degradation, such as noise, blur, or improper exposure, remains a significant challenge in computer vision. While recent trends favor complex monolithic all-in-one architectures, these models often suffer from negative task interference and require extensive joint training cycles on high-end computing clusters. In this paper, we propose a modular, task-decoupled image restoration framework based on an explicit diagnostic routing mechanism. The architecture consists of a lightweight Convolutional Neural Network (CNN) classifier that evaluates the input image and dynamically directs it to a specialized restoration node. A key advantage of this framework is its model-agnostic extensibility: while we demonstrate it using three independent U-Net experts, the system allows for the integration of any restoration method tailored to specific tasks. By isolating reconstruction paths, the framework prevents feature conflicts and significantly reduces training overhead. Unlike monolithic models, adding new degradation types in our framework only requires training a single expert and updating the router, rather than a full system retraining. Experimental results demonstrate that this computationally accessible approach offers a scalable and efficient solution for multi-degradation restoration on standard local hardware. The code will be published upon paper acceptance.
- Abstract（参考訳）: ノイズ、ぼかし、不適切な露出など、様々な種類の劣化によって影響を受ける画像の復元は、コンピュータビジョンにおいて重要な課題である。
最近のトレンドは複雑なモノリシックなオールインワンアーキテクチャを好んでいるが、これらのモデルは負のタスク干渉に悩まされ、ハイエンドのコンピューティングクラスタで広範な共同トレーニングサイクルを必要とすることが多い。
本稿では,明示的な診断経路機構に基づくモジュール型タスク分離型画像復元フレームワークを提案する。
アーキテクチャは軽量な畳み込みニューラルネットワーク(CNN)分類器で構成され、入力画像を評価し、それを特殊な復元ノードに動的に誘導する。
このフレームワークの主な利点は、そのモデルに依存しない拡張性である: 3つの独立したU-Net専門家を使ってそれを実証する一方で、システムは特定のタスクに適した復元メソッドの統合を可能にする。
再構成パスを分離することにより、このフレームワークは機能の衝突を防止し、トレーニングのオーバーヘッドを大幅に削減する。
モノリシックモデルとは異なり、フレームワークに新しい分解タイプを追加するには、システムの再トレーニング全体ではなく、単一の専門家のトレーニングとルータの更新のみが必要です。
実験により、この計算に利用できるアプローチは、標準的なローカルハードウェア上でのマルチ劣化回復のためのスケーラブルで効率的なソリューションを提供することが示された。
コードは受理後に発行される。
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) - 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) - Physically Interpretable Multi-Degradation Image Restoration via Deep Unfolding and Explainable Convolution [45.571542528079114]
本稿では,多段劣化画像復元のための新しい解釈可能性駆動手法を提案する。
改良された2階半平滑ニュートンアルゴリズムを用いて,各モジュールが明確な物理的解釈性を維持することを保証する。
解釈可能性と適応性をさらに向上するため,人間の脳の柔軟な情報処理に触発された説明可能な畳み込みモジュールを設計した。
論文 参考訳（メタデータ） (2025-11-13T10:27:41Z) - 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) - MoA-VR: A Mixture-of-Agents System Towards All-in-One Video Restoration [62.929029990341796]
実世界のビデオは、ノイズ、圧縮アーティファクト、低照度歪みなどの複雑な劣化に悩まされることが多い。
3つの協調エージェントによる人間のプロの推論・処理手順を模倣したMoA-VRを提案する。
具体的には、大規模かつ高解像度なビデオ劣化認識ベンチマークを構築し、視覚言語モデル(VLM)による劣化識別子を構築する。
論文 参考訳（メタデータ） (2025-10-09T17:42:51Z) - Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。
我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。
このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-24T12:52:10Z) - Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。
我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。
劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
論文 参考訳（メタデータ） (2025-04-19T09:54:46Z) - InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。
新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。
FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文 参考訳（メタデータ） (2025-04-02T12:40:57Z) - UniCoRN: Latent Diffusion-based Unified Controllable Image Restoration Network across Multiple Degradations [4.892790389883125]
複数種類の劣化を同時に処理できる統一画像復元手法UniCoRNを提案する。
具体的には、制御可能な拡散モデルを導く際に、画像から抽出した低レベルの視覚的手がかりの可能性を明らかにする。
MetaRestoreも導入しています。MetaRestoreは、複数の劣化やアーティファクトの画像を含むメタレンスイメージングベンチマークです。
論文 参考訳（メタデータ） (2025-03-20T05:42:13Z) - Mixed Hierarchy Network for Image Restoration [0.0]
画像復元における品質とシステムの複雑さのバランスをとることができる混合階層ネットワークを提案する。
我々のモデルはまずエンコーダ・デコーダアーキテクチャを用いて文脈情報を学習し,次に空間的詳細を保存する高分解能分岐と組み合わせる。
その結果、MHNetという名前の密接な相互接続階層アーキテクチャは、いくつかのイメージ復元タスクにおいて、強力なパフォーマンス向上をもたらす。
論文 参考訳（メタデータ） (2023-02-19T12:18:45Z)
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。