論文の概要: Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration

• arxiv url: http://arxiv.org/abs/2605.24593v1
• Date: Sat, 23 May 2026 14:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.264327
• Title: Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration
• Title（参考訳）: 統合ゼロショット画像復元のための自己教師付き動的不均一劣化モデル
• Authors: XiaoWan Hu, Jing Yang, HeNan Liu, HuaQiu Li, Mai Xu,
• Abstract要約: ゼロショット画像復元は、タスク固有のトレーニングなしで多様な劣化を処理する柔軟な方法を提供する。 異種劣化を均一なオールインワン分布に明示的にモデル化する物理ゼロショット画像復元フレームワークを提案する。 本手法は, 単品と混合品のいずれにおいても, 最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 36.68260793473452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot image restoration provides a flexible way to handle diverse degradations without task-specific training. However, existing methods typically rely on stacked layers or pre-trained features to enhance degradation expression, while overlooking physically consistent priors. The insufficient degradation prompts impose the heavy training burden and high sampling costs during zero-shot diffusion. Moreover, the fixed inference trajectory often collapses to suboptimal solutions under complex corruptions. We observe that heterogeneous degradations can be reparameterized into a minimal set of physically coherent parameters for compact representation. Based on this insight, we first propose a unified physical zero-shot image restoration (UP-ZeroIR) framework that explicitly models heterogeneous degradations into a homogeneous all-in-one distribution. The distribution can be optimized directly in the latent space, enabling principled solution exploration and effective prompt adaptation. Besides, we introduce a dynamic quality-refinement strategy that adaptively adjusts the diffusion trajectory for robust globally optimal convergence. Extensive experiments demonstrate that our method achieves state-of-the-art performance across both single and mixed degradations. Our code is available at https://github.com/yangjinglyy/UP-ZeroIR
• Abstract（参考訳）: ゼロショット画像復元は、タスク固有のトレーニングなしで多様な劣化を処理する柔軟な方法を提供する。 しかし、既存のメソッドは通常、物理的に一貫した先行性を見落としながら、デグレッション表現を強化するために積み重ねられたレイヤや事前訓練された機能に依存している。 劣化が不十分なため、ゼロショット拡散時に重い訓練負担と高いサンプリングコストが課せられる。 さらに、固定推論軌道はしばしば、複雑な汚職の下で最適下解に崩壊する。 我々は、不均一な分解をコンパクト表現のための物理コヒーレントなパラメータの最小セットに再パラメータ化することができることを観察した。 この知見に基づいて、不均一な劣化を均質なオールインワン分布に明示的にモデル化する統合物理ゼロショット画像復元(UP-ZeroIR)フレームワークを最初に提案する。 この分布は潜伏空間で直接最適化することができ、原理化された解探索と効果的な迅速な適応を可能にする。 さらに,ロバストな大域的収束のために拡散軌道を適応的に調整する動的品質補正戦略を導入する。 大規模実験により, 単品と混合品の双方における最先端性能が得られた。 私たちのコードはhttps://github.com/yangjinglyy/UP-ZeroIRで利用可能です。

関連論文リスト

• Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios [34.660999867031386]
  ノイズ、ぼかし、低解像度といった複雑な劣化は、実世界の画像融合タスクにおける典型的な課題である。 本稿では,任意の劣化シナリオ下での画像融合のための効率的な劣化認識拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T03:34:53Z)
• Harnessing Diffusion-Yielded Score Priors for Image Restoration [29.788482710572307]
  深部画像復元モデルは、劣化した画像空間から自然画像空間へのマッピングを学習することを目的としている。 MSEベース、GANベース、拡散ベースメソッドの3つの主要なクラスが登場した。 これらの課題に対処するための新しい手法HYPIRを提案する。
  論文  参考訳（メタデータ） (2025-07-28T07:55:34Z)
• Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models [10.74767402912109]
  モデル再構成なしに様々な画像逆問題に対処できるゼロショットフレームワークを提案する。 そこで我々は,確率値の閉形式近似を導出するノイズ改善機構を提案する。 我々は、推論効率をさらに向上するために、Denoising Diffusion Implicit Models (DDIM) サンプリング戦略を統合する。
  論文  参考訳（メタデータ） (2025-06-16T11:56:50Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• PGDiff: Guiding Diffusion Models for Versatile Face Restoration via Partial Guidance [65.5618804029422]
  これまでの研究は、明示的な劣化モデルを用いて解空間を制限することで、注目すべき成功を収めてきた。 実世界の劣化に適応可能な新しい視点である部分的ガイダンスを導入することでPGDiffを提案する。 提案手法は,既存の拡散優先手法に勝るだけでなく,タスク固有モデルと良好に競合する。
  論文  参考訳（メタデータ） (2023-09-19T17:51:33Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)

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。