論文の概要: Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration

• arxiv url: http://arxiv.org/abs/2603.29773v1
• Date: Tue, 31 Mar 2026 14:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.706437
• Title: Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration
• Title（参考訳）: 地上技術を超えて:実世界の画像復元に画像品質の優先事項を活用
• Authors: Fengyang Xiao, Peng Hu, Lei Xu, XingE Guo, Guanyi Qin, Yuqi Shen, Chengyu Fang, Rihan Zhang, Chunming He, Sina Farsiu,
• Abstract要約: 実世界の画像復元は、制御されていない条件下で取得した劣化した低品質(LQ)入力から高品質(HQ)イメージを復元することを目的としている。 既存の手法は通常、GTが完全な基準品質を提供すると仮定して、GTの監督に依存する。 本研究では,事前学習したNo-Reference Image Quality Assessment(NR-IQA)モデルから抽出した画像品質優先(IQP)モデルを提案する。
• 参考スコア（独自算出の注目度）: 21.358966811756645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image restoration aims to restore high-quality (HQ) images from degraded low-quality (LQ) inputs captured under uncontrolled conditions. Existing methods typically depend on ground-truth (GT) supervision, assuming that GT provides perfect reference quality. However, GT can still contain images with inconsistent perceptual fidelity, causing models to converge to the average quality level of the training data rather than achieving the highest perceptual quality attainable. To address these problems, we propose a novel framework, termed IQPIR, that introduces an Image Quality Prior (IQP)-extracted from pre-trained No-Reference Image Quality Assessment (NR-IQA) models-to guide the restoration process toward perceptually optimal outputs explicitly. Our approach synergistically integrates IQP with a learned codebook prior through three key mechanisms: (1) a quality-conditioned Transformer, where NR-IQA-derived scores serve as conditioning signals to steer the predicted representation toward maximal perceptual quality. This design provides a plug-and-play enhancement compatible with existing restoration architectures without structural modification; and (2) a dual-branch codebook structure, which disentangles common and HQ-specific features, ensuring a comprehensive representation of both generic structural information and quality-sensitive attributes; and (3) a discrete representation-based quality optimization strategy, which mitigates over-optimization effects commonly observed in continuous latent spaces. Extensive experiments on real-world image restoration demonstrate that our method not only surpasses cutting-edge methods but also serves as a generalizable quality-guided enhancement strategy for existing methods. The code is available.
• Abstract（参考訳）: 実世界の画像復元は、制御されていない条件下で取得した劣化した低品質(LQ)入力から高品質(HQ)イメージを復元することを目的としている。 既存の手法は通常、GTが完全な基準品質を提供すると仮定して、GTの監督に依存する。 しかし、GTは相反する知覚的忠実性を持つ画像を含むことができ、モデルが到達可能な最高の知覚的品質を達成するのではなく、トレーニングデータの平均品質レベルに収束する。 これらの問題に対処するために, NR-IQAモデルから抽出した画像品質優先(IQP)を導入したIQPIRと呼ばれる新しいフレームワークを提案する。 1) NR-IQA由来のスコアが条件付け信号として機能し、予測された表現を最大知覚品質に向けて制御する品質条件付き変換器である。 本設計は、構造的な変更なしに既存の復元アーキテクチャと互換性のあるプラグ・アンド・プレイの強化、(2)共通およびHQ特有の特徴を歪曲し、汎用的な構造情報と品質に敏感な属性の両方を包括的に表現するデュアルブランチ・コードブック構造、(3)連続潜在空間でよく見られる過度な最適化効果を緩和する離散表現に基づく品質最適化戦略を提供する。 実世界の画像復元に関する大規模な実験により,本手法は最先端の手法を超越するだけでなく,既存の手法の汎用的な品質向上戦略として機能することが示された。 コードは利用可能です。

関連論文リスト

• QualiTeacher: Quality-Conditioned Pseudo-Labeling for Real-World Image Restoration [23.7406836456618]
  QualiTeacherは、疑似ラベル品質をノイズの多い負債から条件付き監視信号に変換する新しいフレームワークである。 学生ネットワークに品質グレードの復元多様体を学習させ、異なる品質レベルを構成するものを理解する。 標準的なRWIRベンチマークの実験は、QuariTeacherが既存の擬似ラベルフレームワークの品質を改善するためのプラグアンドプレイ戦略として機能することを実証している。
  論文  参考訳（メタデータ） (2026-03-09T07:06:12Z)
• EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
  EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。 現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-06-13T08:00:54Z)
• IQPFR: An Image Quality Prior for Blind Face Restoration and Beyond [56.99331967165238]
  Blind Face Restoration (BFR)は、劣化した低品質(LQ)の顔画像を高品質(HQ)の出力に再構成する課題に対処する。 本研究では,非参照画像品質評価(NR-IQA)モデルから得られた画像品質優先(IQP)を組み込んだ新しいフレームワークを提案する。 提案手法は,複数のベンチマークにおいて最先端技術より優れている。
  論文  参考訳（メタデータ） (2025-03-12T11:39:51Z)
• Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
  Perceive-IRは、きめ細かい品質管理のための新しいバックボーン非依存のオールインワン画像復元フレームワークである。 モジュール構造により、コアコンポーネントは特定のバックボーンとは独立して機能し、高度な復元モデルへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2024-08-28T17:58:54Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• Re-IQA: Unsupervised Learning for Image Quality Assessment in the Wild [38.197794061203055]
  教師なし環境で高レベルのコンテンツと低レベルの画像品質特徴を学習するために、2つの異なるエンコーダを訓練するためのMixture of Expertsアプローチを提案する。 本稿では,Re-IQAフレームワークから得られた高次・低次画像表現を,線形回帰モデルをトレーニングするために展開する。 本手法は,大規模画像品質評価データベース上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-02T05:06:51Z)

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。