論文の概要: Task-Guided Prompting for Unified Remote Sensing Image Restoration

• arxiv url: http://arxiv.org/abs/2604.02742v1
• Date: Fri, 03 Apr 2026 05:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.333034
• Title: Task-Guided Prompting for Unified Remote Sensing Image Restoration
• Title（参考訳）: 統合リモートセンシング画像復元のためのタスクガイド型プロンプト
• Authors: Wenli Huang, Yang Wu, Xiaomeng Xin, Zhihong Liu, Jinjun Wang, Ye Deng,
• Abstract要約: TGPNetは、デノイング、クラウド削除、シャドウ除去、デブロアリング、SARデスペクリングを処理できる統合フレームワークである。 私たちのフレームワークの中核は、新しいタスクガイド型プロンプティング(TGP)戦略です。 この作業はマルチタスクRSIRの大幅な進歩を示し、運用パイプラインに実用的でスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 19.11145604183771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing image restoration (RSIR) is essential for recovering high-fidelity imagery from degraded observations, enabling accurate downstream analysis. However, most existing methods focus on single degradation types within homogeneous data, restricting their practicality in real-world scenarios where multiple degradations often across diverse spectral bands or sensor modalities, creating a significant operational bottleneck. To address this fundamental gap, we propose TGPNet, a unified framework capable of handling denoising, cloud removal, shadow removal, deblurring, and SAR despeckling within a single, unified architecture. The core of our framework is a novel Task-Guided Prompting (TGP) strategy. TGP leverages learnable, task-specific embeddings to generate degradation-aware cues, which then hierarchically modulate features throughout the decoder. This task-adaptive mechanism allows the network to precisely tailor its restoration process for distinct degradation patterns while maintaining a single set of shared weights. To validate our framework, we construct a unified RSIR benchmark covering RGB, multispectral, SAR, and thermal infrared modalities for five aforementioned restoration tasks. Experimental results demonstrate that TGPNet achieves state-of-the-art performance on both unified multi-task scenarios and unseen composite degradations, surpassing even specialized models in individual domains such as cloud removal. By successfully unifying heterogeneous degradation removal within a single adaptive framework, this work presents a significant advancement for multi-task RSIR, offering a practical and scalable solution for operational pipelines. The code and benchmark will be released at https://github.com/huangwenwenlili/TGPNet.
• Abstract（参考訳）: リモートセンシング画像復元(RSIR)は、劣化した観測から高忠実度画像の復元に不可欠であり、正確な下流解析を可能にする。 しかし、既存のほとんどの手法は均一なデータ内の単一劣化タイプに焦点を合わせ、様々なスペクトル帯域やセンサモードにまたがる複数の劣化が頻繁に発生する実世界のシナリオにおけるそれらの実用性を制限し、重要な運用ボトルネックを生み出している。 この基本的なギャップに対処するために、単一統一アーキテクチャ内でのデノイング、クラウド除去、シャドー除去、デブロワーリング、SARデスペクリングを処理可能な統合フレームワークであるTGPNetを提案する。 私たちのフレームワークの中核は、新しいタスクガイド型プロンプティング(TGP)戦略です。 TGPは学習可能なタスク固有の埋め込みを活用して劣化認識キューを生成し、デコーダ全体を通して階層的に機能を変更する。 このタスク適応機構により、ネットワークは1組の共有重みを維持しながら、異なる劣化パターンの復元プロセスを正確に調整することができる。 RGB,マルチスペクトル,SAR,熱赤外変調を網羅した統合RSIRベンチマークを構築し,上記5つの修復作業について検討した。 実験により,TGPNetは統合マルチタスクシナリオと目に見えない複合劣化の両面において最先端の性能を達成し,雲の除去などの個々の領域において,特別なモデルを超えていることが示された。 単一適応フレームワーク内での不均一な劣化除去をうまく統一することにより、マルチタスクRSIRの大幅な進歩を示し、運用パイプラインに実用的でスケーラブルなソリューションを提供する。 コードとベンチマークはhttps://github.com/huangwenwenlili/TGPNetで公開される。

関連論文リスト

• Divide and Restore: A Modular Task-Decoupled Framework for Universal Image Restoration [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-30T16:45:16Z)
• A Feature Shuffling and Restoration Strategy for Universal Unsupervised Anomaly Detection [19.296849469059456]
  産業分野では、教師なしの異常検出が不可欠であり、その単純さと有効性のために再構築に基づく手法が好まれている。 UlineFeature ulineShuffling and ulineRestoration (FSR) FSRは、画像ピクセルではなく、再構成ターゲットとしてリッチなセマンティック情報を備えたマルチスケール機能を採用している。
  論文  参考訳（メタデータ） (2026-03-24T07:04:20Z)
• 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)
• From Controlled Scenarios to Real-World: Cross-Domain Degradation Pattern Matching for All-in-One Image Restoration [2.997052569698842]
  All-in-One Image Restoration (AiOIR) は、統一されたパラメータを持つ単一モデルを用いて、複数の劣化パターンによる画像復元を実現することを目的としている。 UDAIRフレームワークは、ソースドメインからターゲットドメインへの学習知識を活用することにより、AiOIRを効果的に実現するために提案されている。 10のオープンソースデータセットの実験結果は、UDAIRがAiOIRタスクのための新しい最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-28T12:22:00Z)
• 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)
• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [62.65503609562905]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• 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)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Conditional Meta-Network for Blind Super-Resolution with Multiple Degradations [23.026779510800047]
  単一画像スーパーリゾリューション(SISR)メソッドは、実際のシナリオで複数のデグレード効果でパフォーマンス低下を被る。 条件付きメタネットワークフレームワーク(CMDSRと命名)を初めて提案し、SRフレームワークが入力分布の変化に適応する方法を学ぶのに役立つ。
  論文  参考訳（メタデータ） (2021-04-08T17:15:25Z)
• Style Normalization and Restitution for DomainGeneralization and Adaptation [88.86865069583149]
  効果的なドメイン一般化モデルは、一般化および判別可能な特徴表現を学習することが期待される。 本稿では,ネットワークの高一般化と識別能力を確保するために,新しいスタイル正規化・再構成モジュール(SNR)を設計する。
  論文  参考訳（メタデータ） (2021-01-03T09:01:39Z)

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。