論文の概要: Degradation-Aware Adaptive Context Gating for Unified Image Restoration

• arxiv url: http://arxiv.org/abs/2605.01236v1
• Date: Sat, 02 May 2026 04:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.658894
• Title: Degradation-Aware Adaptive Context Gating for Unified Image Restoration
• Title（参考訳）: 統合画像復元のための劣化認識型適応文脈ゲーティング
• Authors: Lei He, Jielei Chu, Fengmao Lv, Weide Liu, Tianrui Li, Jun Cheng, Yuming Fang,
• Abstract要約: 単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 DACG-IRは,劣化特性を明瞭に認識し,特徴表現を動的に変調する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 57.06559692537862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified image restoration using a single model often faces task interference due to diverse degradations. To address this, we propose DACG-IR (Degradation-Aware Adaptive Context Gating), which enables explicit perception of degradation characteristics to dynamically modulate feature representations. Our method constructs degradation-aware contextual representations from the input to modulate attention distribution, frequency-domain features, and feature aggregation. Specifically, a lightweight multi-scale degradation-aware module extracts coarse degradation information and generates layer-wise prompts. These prompts guide attention temperature and output gating in encoder and decoder blocks for adaptive feature extraction. Additionally, a spatial-channel dual-gated adaptive fusion mechanism refines encoder features, suppressing noise propagation from shallow to deep layers. This design effectively suppresses degradation-induced noise while preserving informative structures. Experiments show DACG-IR outperforms state-of-the-art methods in single-task, all-in-one, adverse weather removal, and composite degradation settings. Code: https://github.com/HlHomes/DACG-IR-code
• Abstract（参考訳）: 単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 そこで我々は, DACG-IR (Degradation-Aware Adaptive Context Gating) を提案する。 本手法は, 注意分布, 周波数領域の特徴, 特徴集約を変調するための入力から, 劣化を考慮した文脈表現を構築する。 具体的には、軽量なマルチスケール劣化認識モジュールが粗い劣化情報を抽出し、階層的にプロンプトを生成する。 これにより、適応的特徴抽出のためのエンコーダおよびデコーダブロックにおける注意温度と出力ゲーティングを誘導する。 さらに、空間チャネル二重ゲート適応核融合機構はエンコーダ特性を洗練し、浅い層から深い層へのノイズ伝搬を抑制する。 この設計は、情報構造を保ちながら劣化誘起ノイズを効果的に抑制する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。 コード:https://github.com/HlHomes/DACG-IR-code

関連論文リスト

• All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network [41.06285233763803]
  本稿では、AiOIRを効果的に行うために、因果分解型ウェーブレット分散プロンプトネットワーク(CWP-Net)を提案する。 CWP-Netはデカップリングのための2つのモジュール、すなわちエンコーダのウェーブレットアテンションモジュールとデコーダのウェーブレットアテンションモジュールを導入する。 2つのオールインワン設定の実験により,提案したCWP-Netの有効性と性能が証明された。
  論文  参考訳（メタデータ） (2026-03-04T08:43:11Z)
• EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion [46.28090293978096]
  内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の復元方法は一般にタスク固有であり、しばしば分解型の事前知識を必要とする。 単一モデルを用いて複数の劣化型を復元する,劣化非依存拡散に基づくフレームワークであるEndoIRを提案する。
  論文  参考訳（メタデータ） (2025-11-08T06:17:51Z)
• 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)
• Degradation-Aware Feature Perturbation for All-in-One Image Restoration [7.062305871428267]
  オールインワン画像復元は、様々な劣化タイプやレベルから鮮明な画像を統一モデルで復元することを目的としている。 DFPIRは、特徴空間を統一されたパラメータ空間に合わせるように調整するために、分解を意識した特徴摂動を導入した。 DFPIRは、画像のデノイング、画像のデハージング、画像のデライニング、モーションのデブロアリング、低照度画像のエンハンスメントを含む複数のオールインワン画像復元タスクにおいて、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-19T02:37:11Z)
• AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
  周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。 我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。 提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
  論文  参考訳（メタデータ） (2024-03-21T17:58:14Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)

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。