論文の概要: EvoIR-Agent: Self-Evolving Image Restoration Agentic System via Experience-Driven Learning

• arxiv url: http://arxiv.org/abs/2605.22208v1
• Date: Thu, 21 May 2026 09:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.184325
• Title: EvoIR-Agent: Self-Evolving Image Restoration Agentic System via Experience-Driven Learning
• Title（参考訳）: EvoIR-Agent:経験駆動学習による自己進化型画像復元エージェントシステム
• Authors: Kailin Zhuang, Jiawei Wu, Zhi Jin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.60899845728349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal Large Language Model (MLLM)-driven image restoration agent demonstrates effectiveness in degradation coupling scenarios by flexibly selecting tools and determining removal orders. However, their zero-shot planning often fails without experience, necessitating severe trial-and-error overhead to achieve satisfactory outcomes. Currently, two paradigms are employed to address this issue, yet a dilemma persists: Training-based methods embed intrinsic experience into parameters, achieving high inference efficiency but lacking compatibility with new tools or degradation. In contrast, training-free methods utilize explicit experience storage for compatibility but still incur trial-and-error overhead due to naive experience. To resolve the dilemma, we propose EvoIR-Agent, which first systematically formulates the experience components of a training-free image restoration agent. Subsequently, a hierarchical experience pool is constructed, which enables coarse-to-fine guidance for diverse tools and removal orders. Furthermore, a self-evolving mechanism is introduced to update the pool from scratch using accumulated records, thereby greatly improving performance and efficiency. Extensive experiments reveal that EvoIR-Agent achieves a significant lead in the full reference metrics and yields a remarkable Pareto-optimal balance between performance and efficiency compared to the state-of-the-art methods.
• Abstract（参考訳）: MLLM(Multimodal Large Language Model)による画像復元エージェントは,ツールを柔軟に選択し,削除順序を決定することにより,分解結合シナリオの有効性を示す。 しかし、彼らのゼロショット計画はしばしば経験のないまま失敗し、十分な結果を得るために厳しい試行錯誤のオーバーヘッドを必要とする。 現在、この問題に対処するために2つのパラダイムが採用されているが、ジレンマが続いている。 トレーニングベースのメソッドは、固有のエクスペリエンスをパラメータに埋め込む。 対照的に、トレーニングなしのメソッドは、互換性のために明示的なエクスペリエンスストレージを使用するが、単純なエクスペリエンスのため、まだ試行錯誤のオーバーヘッドを発生させる。 このジレンマを解決するために,まず,トレーニング不要の画像復元エージェントの体験成分を体系的に定式化するEvoIR-Agentを提案する。 その後、階層的な体験プールが構築され、多種多様なツールの粗大なガイダンスと削除命令が可能となる。 さらに、蓄積した記録を用いてスクラッチからプールを更新する自己進化機構を導入し、性能と効率を大幅に向上させる。 大規模な実験により、EvoIR-Agentは完全な基準メトリクスにおいて大きなリードを達成し、最先端の手法と比較して、パフォーマンスと効率の間の顕著なパレート-最適バランスが得られることが明らかになった。

関連論文リスト

• Experiential Reflective Learning for Self-Improving LLM Agents [1.1074589887824053]
  実験的反射学習(ERL:Experiential Reflective Learning)は,迅速な環境適応を実現するシンプルな自己改善フレームワークである。 ERLはタスクの軌跡と成果を反映して、タスク間で伝達される実行可能なレッスンを生成する。 ERLはReActベースラインよりも成功率を7.8%向上させ、タスク完了の信頼性を大きく向上させる。
  論文  参考訳（メタデータ） (2026-03-25T11:43:22Z)
• 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)
• Iterative Experience Refinement of Software-Developing Agents [81.09737243969758]
  大規模な言語モデル(LLM)は、過去の経験を活用してエラーを低減し、効率を高めることができる。 本稿では,LLMエージェントがタスク実行中に反復的に経験を洗練できる反復体験精錬フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T11:33:49Z)

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。