論文の概要: X-Restormer++: 1st Place Solution for the UG2+ CVPR 2026 All-Weather Restoration Challenge
- arxiv url: http://arxiv.org/abs/2605.13258v1
- Date: Wed, 13 May 2026 09:41:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.951334
- Title: X-Restormer++: 1st Place Solution for the UG2+ CVPR 2026 All-Weather Restoration Challenge
- Title（参考訳）: X-Restormer++: UG2+ CVPR 2026オールウェザーリカバリチャレンジのための第1位ソリューション
- Authors: Youwei Pan, Leilei Cao, Yingfang Zhu, Fengjie Zhu,
- Abstract要約: 第8回 UG2+ Challenge (CVPR 2026) Track 1: Image Restoration under All-weather Conditions。
提案手法は,チャネルワイドグローバル依存と空間的局所構造情報の両方を効果的にキャプチャする,強力なベースラインフレームワークであるX-Restormer上に構築されている。
これらの戦略により,提案手法は課題の1位にランクインすることに成功した。
- 参考スコア（独自算出の注目度）: 1.353422102543835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present our winning solution for the 8th UG2+ Challenge (CVPR 2026) Track 1: Image Restoration under All-weather Conditions. Our method is built upon the strong baseline framework X-Restormer, which effectively captures both channel-wise global dependencies and spatially-local structural information through its dual-attention design (Multi-DConv Head Transposed Attention and Overlapping Cross-Attention). To further boost the restoration performance, we propose several key improvements. First, we integrate the spatially-adaptive input scaling mechanism from Restormer-Plus to dynamically adjust the spatial weights of the input image, enhancing spatial adaptability. Second, to better preserve structural details and edge information, we introduce a novel Gradient-Guided Edge-Aware (GGEA) loss, which is combined with L1 and Multi-Scale SSIM losses in a unified training objective. Third, we significantly expand the training data by incorporating an extra 24,500 degraded-clean image pairs from FoundIR and WeatherBench alongside the original WeatherStream dataset. With these strategies, our proposed method successfully ranks the 1st place in the challenge.
- Abstract（参考訳）: 本研究では,第8回 UG2+ Challenge (CVPR 2026) Track 1: Image Restoration under All-weather Conditions。
本手法は, チャネルワイドグローバル依存と空間的局所構造情報を両アテンション設計(Multi-DConv Head Transposed Attention and Overlapping Cross-Attention)により効果的にキャプチャする, 強力なベースラインフレームワークであるX-Restormer上に構築されている。
修復性能をさらに向上させるため,いくつかの改良点を提案する。
まず、Restormer-Plusの空間適応型入力スケーリング機構を統合し、入力画像の空間重みを動的に調整し、空間適応性を高める。
第2に、構造的詳細とエッジ情報をよりよく保存するために、L1とMulti-Scale SSIMの損失を組み合わせた新しいGGEA(Gradient-Guided Edge-Aware)ロスを導入する。
第3に、オリジナルのWeatherStreamデータセットとともにFoundIRとWeatherBenchから、さらに24,500個の劣化クリーンイメージペアを組み込むことで、トレーニングデータを大幅に拡張しました。
これらの戦略により,提案手法は課題の1位にランクインすることに成功した。
関連論文リスト
- 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) - Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。
我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。
劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
論文 参考訳（メタデータ） (2025-04-19T09:54:46Z) - Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。
近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。
本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
論文 参考訳（メタデータ） (2025-03-19T02:11:31Z) - Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。
xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。
提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
論文 参考訳（メタデータ） (2025-02-27T01:49:00Z) - LIFe-GoM: Generalizable Human Rendering with Learned Iterative Feedback Over Multi-Resolution Gaussians-on-Mesh [102.24454703207194]
スパース入力からのアニマタブルな人間のアバターの一般的なレンダリングは、大規模データのトレーニングから抽出されたデータ先行と誘導バイアスに依存する。
本稿では,再建過程における標準的な人体形状表現を逐次改善する反復的フィードバック更新フレームワークを提案する。
提案手法は,1秒未満のスパース入力からアニマタブルな表現を再構成し,95.1FPSのビューを1024×1024$でレンダリングし,THuman2.0上でPSNR/LPIPS*/FIDの24.65/110.82/51.27を達成する。
論文 参考訳（メタデータ） (2025-02-13T18:59:19Z) - Solution for CVPR 2024 UG2+ Challenge Track on All Weather Semantic Segmentation [9.322345758563886]
UG2+ Challenge at CVPR 2024において, 悪天候におけるセマンティックセグメンテーションの解決法について述べる。
InternImage-Hのバックボーンを,大規模関節データセットから事前トレーニングした重み付きで初期化し,最先端のUpernetセグメンテーション手法で強化する。
提案手法は,テストセット上での高度な性能を実証し,この課題において第3位を達成している。
論文 参考訳（メタデータ） (2024-06-09T15:56:35Z) - Robust GAN inversion [5.1359892878090845]
本稿では,ネイティブの潜伏空間を$W$で処理し,画像の詳細を復元するためにジェネレータネットワークをチューニングする手法を提案する。
Flickr-Faces-HQ と LSUN Church の2つの複雑なデータセットに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2023-08-31T07:47:11Z) - Fine-grained building roof instance segmentation based on domain adapted
pretraining and composite dual-backbone [13.09940764764909]
本稿では,高解像度光衛星画像を用いた個々の建物の意味解釈を実現するための枠組みを提案する。
具体的には、レバレッジされたドメイン適応事前学習戦略と複合二重バックボーンは、非ネイティブな特徴学習を大いに促進する。
その結果,本手法は2023年のIEEE GRSS Data Fusion Contestの第一位に位置づけられた。
論文 参考訳（メタデータ） (2023-08-10T05:54:57Z) - 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) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2021-02-04T18:57:07Z)
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。