論文の概要: RIRF: Reasoning Image Restoration Framework

• arxiv url: http://arxiv.org/abs/2604.09511v1
• Date: Fri, 10 Apr 2026 17:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.979125
• Title: RIRF: Reasoning Image Restoration Framework
• Title（参考訳）: RIRF:画像復元フレームワーク
• Authors: Wending Yan, Rongkai Zhang, Kaihua Tang, Yu Cheng, Qiankun Liu,
• Abstract要約: 画像復元パイプラインに構造化Chain-of-Thought(CoT)推論を統合する新しいフレームワークであるReason and Restore(R&R)を提案する。 R&Rは、Qwen3-VLを微調整して、劣化の型を診断し、劣化の深刻度を定量化し、重要な劣化関連因子を推測し、関連するシーンとオブジェクトの意味を記述した明示的推論器を導入している。 結果として得られる構造化推論は、復元器の解釈可能かつきめ細かな診断先を提供する。
• 参考スコア（独自算出の注目度）: 18.387213732491393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal image restoration (UIR) aims to recover clean images from diverse and unknown degradations using a unified model. Existing UIR methods primarily focus on pixel reconstruction and often lack explicit diagnostic reasoning over degradation composition, severity, and scene semantics prior to restoration. We propose Reason and Restore (R\&R), a novel framework that integrates structured Chain-of-Thought (CoT) reasoning into the image restoration pipeline. R\&R introduces an explicit reasoner, implemented by fine-tuning Qwen3-VL, to diagnose degradation types, quantify degradation severity, infer key degradation-related factors, and describe relevant scene and object semantics. The resulting structured reasoning provides interpretable and fine-grained diagnostic priors for the restorer. To further improve restoration quality, the quantified degradation severity produced by the reasoner is leveraged as reinforcement learning (RL) signals to guide and strengthen the restorer. Unlike existing multimodal LLM-based agentic systems that decouple reasoning from low-level vision tasks, R\&R tightly couples semantic diagnostic reasoning with pixel-level restoration in a unified framework. Extensive experiments across diverse UIR benchmarks demonstrate that R\&R achieves state-of-the-art performance while offering unique interpretability into the restoration process.
• Abstract（参考訳）: ユニバーサルイメージ復元(UIR)は、統一モデルを用いて、多種多様な未知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UIR法は主に画素再構成に重点を置いており、多くの場合、復元前の劣化組成、重大さ、シーンセマンティクスに対する明確な診断的推論が欠如している。 画像復元パイプラインに構造化Chain-of-Thought(CoT)推論を統合する新しいフレームワークであるReason and Restore(R\&R)を提案する。 R\&Rは、Qwen3-VLを微調整して、劣化の型を診断し、劣化の深刻度を定量化し、重要な劣化関連因子を推測し、関連するシーンとオブジェクトの意味を記述した明示的推論器を導入している。 結果として得られる構造化推論は、復元器の解釈可能かつきめ細かな診断先を提供する。 復元品質をさらに向上するため、推理器が生み出す定量劣化度を強化学習信号(RL)として利用して復元器を誘導・強化する。 低レベルの視覚タスクから推論を分離する既存のマルチモーダルLLMベースのエージェントシステムとは異なり、R\&Rは、統一されたフレームワークでピクセルレベルの復元とセマンティックな診断推論を密に結合する。 様々なUIRベンチマークによる大規模な実験により、R&Rは修復プロセスに固有の解釈性を提供しながら最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
  画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力から高品質なイメージを復元することを目的としている。 本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。 具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T13:13:44Z)
• ClusIR: Towards Cluster-Guided All-in-One Image Restoration [72.16989784735796]
  ClusIRは、統一されたフレームワーク内でさまざまな劣化から高品質なイメージを復元することを目的としている。 ClusIRは、確率的クラスタ誘導ルーティング機構(PCGRM)と劣化対応周波数変調モジュール(DAFMM)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-11T18:59:47Z)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing [5.6223397629993626]
  HDI-PRNetは高次劣化画像のプログレッシブ復元ネットワークである。 本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-10T05:08:39Z)
• Chain-of-Restoration: Multi-Task Image Restoration Models are Zero-Shot Step-by-Step Universal Image Restorers [53.298698981438]
  本稿では,UIR(Universal Image Restoration)という新たなタスク設定を提案する。 UIRは、すべての劣化組み合わせのトレーニングを必要とせず、一連の劣化基だけに限って、これらの基がゼロショットで構成できる可能性のある劣化を取り除く。 本稿では,未知の複合劣化を段階的に除去するモデルをモデルに指示する,CoR(Chain-of-Restoration)機構を提案する。
  論文  参考訳（メタデータ） (2024-10-11T10:21:42Z)
• SSP-IR: Semantic and Structure Priors for Diffusion-based Realistic Image Restoration [20.873676111265656]
  SSP-IRは、低画質の画像からセマンティックと構造をフル活用することを目的としている。 提案手法は,合成および実世界のデータセットにおいて,他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2024-07-04T04:55:14Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)

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。