論文の概要: DRNet: All-in-One Image Restoration via Prior-Guided Dynamic Reparameterization
- arxiv url: http://arxiv.org/abs/2605.08627v1
- Date: Sat, 09 May 2026 02:43:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.778463
- Title: DRNet: All-in-One Image Restoration via Prior-Guided Dynamic Reparameterization
- Title（参考訳）: DRNet: 先導動的パラメータ化によるオールインワン画像復元
- Abstract要約: オールインワン画像復元は、単一のモデル内で多様な劣化を処理することを目的としている。
既存の方法は、しばしば3つの重要な制限に悩まされる。
DRNetは、パラメータ効率に優れた5つの復元タスクで最先端のパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 45.271664532141294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All-in-one image restoration aims to handle diverse degradations within a single model. However, existing methods often suffer from three key limitations: 1) per-input computational overhead from dynamic degradation estimation; 2) optimization challenges due to task heterogeneity; and 3) inefficient, frequency-agnostic encoder designs. To overcome these, we introduce the Dynamic Reparameterization Network (DRNet), a novel framework operating on an initialization-stage reconfiguration paradigm that fundamentally eliminates per-input overhead. At its core, a Dynamic Reparameterization MLP (DRMLP) guided by a Task-Specific Modulator (TSM), which effectively mitigates task heterogeneity by orchestrating both specific restoration goals and a versatile general-purpose mode within a unified architecture. Furthermore, we incorporate a Continuous Wavelet Transform Encoder (CWTE) that explicitly leverages frequency characteristics via wavelet decomposition for a lightweight yet powerful design. Extensive experiments demonstrate that DRNet achieves state-of-the-art performance across five restoration tasks with superior parameter efficiency. Crucially, it showcases unique flexibility, excelling as both a highly competitive foundation model for blind restoration and a top-performing user-guided specialist.
- Abstract（参考訳）: オールインワン画像復元は、単一のモデル内で多様な劣化を処理することを目的としている。
しかし、既存のメソッドはしばしば3つの重要な制限に悩まされる。
1) 動的劣化推定から入力毎の計算オーバーヘッド
2)タスクの不均一性による最適化の課題
3)非効率で周波数に依存しないエンコーダの設計。
そこで本稿では,インプット毎のオーバーヘッドを根本的に排除する初期化ステージ再設定パラダイムで動作する新しいフレームワークであるDynamic Reparameterization Network(DRNet)を紹介する。
その中核となるのが、タスク特化変調器 (TSM) によって導かれる動的再パラメータ化 MLP (DRMLP) であり、これは、特定の復元目標と統一アーキテクチャ内で汎用的な汎用モードの両方を編成することにより、タスクの不均一性を効果的に緩和する。
さらに、軽量で強力な設計のために、ウェーブレット分解による周波数特性を明示的に活用する連続ウェーブレット変換エンコーダ(CWTE)を組み込んだ。
拡張実験により,DRNetはパラメータ効率に優れた5つの復元タスクに対して,最先端のパフォーマンスを実現することが示された。
ブラインド修復のための非常に競争力のある基礎モデルと、最高のユーザーガイド付きスペシャリストの両方として優れた、ユニークな柔軟性を誇示している。
関連論文リスト
- Efficient Difficulty-Aware Dynamic Routing for Diffusion-Based Real-World Image Super-Resolution [69.17533212524447]
本稿では,厳密な一大処理パラダイムを克服するDDR(Difficulty-aware Dynamic Routing)戦略を提案する。
具体的には、各入力画像の復元コストを予測する難易度推定器を設計し、適切な容量のネットワークに自動的に割り当てることを可能にする。
近年の最先端手法と比較して,提案モデルの有効性と有効性を示す実験が盛んに行われている。
論文 参考訳（メタデータ） (2026-07-17T07:49:05Z) - Tuning Real-World Image Restoration at Inference: A Test-Time Scaling Paradigm for Flow Matching Models [26.002982722748726]
ResFlow-Tunerは、最先端のフローマッチングモデルであるFLUX.1-devに基づく画像復元フレームワークである。
画像復元に適したトレーニング不要なテスト時間スケーリングパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-23T14:33:43Z) - Deep LoRA-Unfolding Networks for Image Restoration [44.864335449093716]
画像復元のための一般化されたDeep Low-rank Adaptation (LoRA) Unfolding Networksを導入する。
LoRunは、トレーニング済みのベースデノイザをすべてのステージで共有する、新しいパラダイムを導入している。
軽量でステージ固有のLoRAアダプタをPMMに注入し、ノイズレベルに応じて動的に騒音を変調する。
論文 参考訳（メタデータ） (2026-02-21T02:57:48Z) - Fourier-RWKV: A Multi-State Perception Network for Efficient Image Dehazing [26.57698394898644]
マルチステート・パーセプション・パラダイムに基づく新しい脱ハージング・フレームワークを提案する。
Fourier-RWKVはさまざまなヘイズシナリオにまたがって最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-12-09T01:35:56Z) - LSP-ST: Ladder Shape-Biased Side-Tuning for Robust Infrared Small Target Detection [4.5138645285711165]
LSP-ST(Ladder Shape-Biased Side-Tuning)を提案する。
学習可能なパラメータは4.72Mしかなく、LSP-STは複数の赤外線小ターゲット検出ベンチマークで最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2025-04-20T04:12:38Z) - Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。
本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
論文 参考訳（メタデータ） (2025-04-14T08:24:57Z) - InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。
新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。
FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文 参考訳（メタデータ） (2025-04-02T12:40:57Z) - WaveFormer: A 3D Transformer with Wavelet-Driven Feature Representation for Efficient Medical Image Segmentation [0.5312470855079862]
医用画像用3D変換器のWaveFormerについて紹介する。
それは人間の視覚認識システムのトップダウンメカニズムにインスパイアされている。
グローバルコンテキストと高周波の詳細の両方を保存し、重いサンプリング層を効率的なウェーブレットベースの要約と再構成に置き換える。
論文 参考訳（メタデータ） (2025-03-31T06:28:41Z) - ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。
Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。
モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文 参考訳（メタデータ） (2025-03-27T16:39:40Z) - Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。
本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
論文 参考訳（メタデータ） (2024-11-25T09:26:34Z) - Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration [100.54419875604721]
オールインワン画像復元は、各分解に対してタスク固有の非ジェネリックモデルを持たずに、統一されたモデルで異なるタイプの劣化に対処する。
我々は、オールインワン画像復元タスクのためのエンコーダデコーダ方式で設計されたネットワークの動的ファミリであるDyNetを提案する。
我々のDyNetは、よりバルク化と軽量化をシームレスに切り替えることができるので、効率的なモデルデプロイメントのための柔軟性を提供します。
論文 参考訳（メタデータ） (2024-04-02T17:58:49Z) - 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)
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。