論文の概要: EpiAgent: An Agent-Centric System for Ancient Inscription Restoration

• arxiv url: http://arxiv.org/abs/2604.09367v1
• Date: Fri, 10 Apr 2026 14:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.909129
• Title: EpiAgent: An Agent-Centric System for Ancient Inscription Restoration
• Title（参考訳）: EpiAgent: 古代の碑文復元のためのエージェント・センターシステム
• Abstract要約: EpiAgentは、階層的な計画問題として碑文復元を定式化するエージェント中心のシステムである。 EpiAgentは、既存の方法よりも優れた復元品質とより強力な一般化を実現している。 我々の研究は、専門家レベルのエージェント主導による文化遺産の復元に向けた重要な一歩である。
• 参考スコア（独自算出の注目度）: 60.77886293107454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ancient inscriptions, as repositories of cultural memory, have suffered from centuries of environmental and human-induced degradation. Restoring their intertwined visual and textual integrity poses one of the most demanding challenges in digital heritage preservation. However, existing AI-based approaches often rely on rigid pipelines, struggling to generalize across such complex and heterogeneous real-world degradations. Inspired by the skill-coordinated workflow of human epigraphers, we propose EpiAgent, an agent-centric system that formulates inscription restoration as a hierarchical planning problem. Following an Observe-Conceive-Execute-Reevaluate paradigm, an LLM-based central planner orchestrates collaboration among multimodal analysis, historical experience, specialized restoration tools, and iterative self-refinement. This agent-centric coordination enables a flexible and adaptive restoration process beyond conventional single-pass methods. Across real-world degraded inscriptions, EpiAgent achieves superior restoration quality and stronger generalization compared to existing methods. Our work marks an important step toward expert-level agent-driven restoration of cultural heritage. The code is available at https://github.com/blackprotoss/EpiAgent.
• Abstract（参考訳）: 文化遺産としての古代の碑文は、何世紀にもわたって環境と人為的な劣化に悩まされてきた。 相互に絡み合った視覚的・テキスト的整合性を取り戻すことは、デジタル遺産保存において最も要求される課題の1つである。 しかし、既存のAIベースのアプローチは、しばしば厳格なパイプラインに依存しており、そのような複雑で異質な現実世界の劣化を一般化するのに苦労している。 本稿では,ヒトのエピグラフィーのスキルコーディネートワークフローに触発されて,階層的計画問題として碑文復元を定式化するエージェント中心のシステムであるEpiAgentを提案する。 LLMを基盤とした中央プランナーは,マルチモーダル分析,歴史的経験,特殊修復ツール,反復的自己修復の協調作業を行う。 このエージェント中心の調整により、従来のシングルパス法を超える柔軟で適応的な復元プロセスが可能になる。 現実世界の劣化した碑文全体では、EpiAgentは既存の方法よりも優れた復元品質とより強力な一般化を実現している。 我々の研究は、専門家レベルのエージェント主導による文化遺産の復元に向けた重要な一歩である。 コードはhttps://github.com/blackprotoss/EpiAgent.comで公開されている。

関連論文リスト

• Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
  Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。 分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。 このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:44Z)
• Self-Evolving Agentic Image Restoration via Deliberate Planning and Intuitive Execution [27.721743933778004]
  自己進化型エージェント画像復元は、シーケンシャルな意思決定問題として復元を定式化する。 二重プロセス理論にインスパイアされたSEARは直感的実行器と自由計画器から構成される。 合成および実世界のベンチマークの実験は、その強い知覚と量的性能を示す。
  論文  参考訳（メタデータ） (2026-06-27T15:21:47Z)
• EvoIR-Agent: Self-Evolving Image Restoration Agentic System via Experience-Driven Learning [39.60899845728349]
  マルチモーダル大言語モデル(MLLM)による画像復元は,分解結合シナリオの有効性を示す。 トレーニングベースのメソッドは、固有の経験をパラメータに組み込んで、高い推論効率を実現するが、新しいツールや分解との互換性に欠ける。 EvoIR-Agentは、まず、トレーニング不要の画像復元エージェントの経験成分を体系的に定式化する。
  論文  参考訳（メタデータ） (2026-05-21T09:14:25Z)
• ADEMA: A Knowledge-State Orchestration Architecture for Long-Horizon Knowledge Synthesis with LLMAgents [16.053669481561354]
  ADEMAは長期の知識合成のための知識状態オーケストレーションアーキテクチャである。 本稿では長軸知識合成のための知識状態オーケストレーションアーキテクチャとしてADEMAを提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:54:48Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
  RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。 実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
  論文  参考訳（メタデータ） (2026-03-09T16:23:33Z)
• Self-Consolidation for Self-Evolving Agents [51.94826934403236]
  大規模言語モデル(LLM)エージェントは静的システムとして機能し、生涯にわたる相互作用を通じて進化する能力に欠ける。 相補的進化機構を導入したLLMエージェントのための新しい自己進化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-02T11:16:07Z)
• ReCreate: Reasoning and Creating Domain Agents Driven by Experience [14.353866611611672]
  ReCreateは、ドメインエージェントの自動生成のためのエクスペリエンス駆動フレームワークである。 本稿では,経験から効果的に学習するエージェント・アズ・オプティマイザ・パラダイムを提案する。 さまざまな領域にわたる実験では、ReCreateは人間設計エージェントよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-16T09:00:03Z)
• ClearAIR: A Human-Visual-Perception-Inspired All-in-One Image Restoration [40.50200240865161]
  All-in-One Image Restoration (AiOIR)は、複雑な現実世界の劣化に対して有望な解決策を提供するために大きく進歩した。 本稿では,Human Visual Perception (HVP)にインスパイアされた新しいAiOIRフレームワークであるClearAIRを提案する。 実験の結果、ClearAIRは多様な合成データセットと実世界のデータセットで優れたパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2026-01-06T06:55:08Z)
• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。 従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。 オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)

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。