論文の概要: FSM-Net: An Efficient Frequency-Spatial Network for Real-World Deblurring

• arxiv url: http://arxiv.org/abs/2605.31400v1
• Date: Fri, 29 May 2026 15:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.685539
• Title: FSM-Net: An Efficient Frequency-Spatial Network for Real-World Deblurring
• Title（参考訳）: FSM-Net: リアルタイムデブロアリングのための効率的な周波数空間ネットワーク
• Abstract要約: 実世界の画像の劣化は、高忠実度復元と計算効率の両方を要求する。 我々は,NTIRE 2026 Challenge on Efficient Real-World Deblurringで2位を獲得した高効率なFSM-Netを提案する。 RSBlurベンチマークで評価され、FSM-Netは、わずか4.94Mパラメータと159.35 GMAC(1920x1200の解像度)しか持たない、卓越した33.144 dB PSNRを達成した
• 参考スコア（独自算出の注目度）: 1.1645902558812447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image deblurring demands both high-fidelity restoration and computational efficiency, a balance existing methods often struggle to achieve. In this paper, we propose FSM-Net (Frequency-Spatial Multi-branch Network), a highly efficient solution that secured 2nd place in the NTIRE 2026 Challenge on Efficient Real-World Deblurring. FSM-Net pioneers a dual-domain approach: a novel Frequency Attention module explicitly recovers high-frequency structural details via FFT, while a Cross-Gated Vision E-Branchformer at the bottleneck captures global dependencies with linear complexity. To ensure robust convergence, we employ a progressive curriculum training strategy guided by a composite loss function (Multi-Scale Charbonnier, Structural Edge, and Frequency). Evaluated on the RSBlur benchmark, FSM-Net achieves an outstanding 33.144 dB PSNR with only 4.94M parameters and 159.35 GMACs (at 1920x1200 resolution). By effectively pushing the Pareto frontier of efficiency and quality, FSM-Net establishes a strong baseline for resource-constrained image restoration.
• Abstract（参考訳）: 実世界の画像の劣化は、高忠実度復元と計算効率の両方を必要とする。 本稿では,NTIRE 2026 Challenge on Efficient Real-World Deblurringにおいて,高効率なFSM-Net(Frequency-Spatial Multi-branch Network)を提案する。 FSM-Netはデュアルドメインアプローチの先駆者であり、新しい周波数アテンションモジュールはFFTを介して明らかに高周波構造の詳細を復元する。 頑健な収束を確保するため,複合損失関数 (Multi-Scale Charbonnier, Structure Edge, Frequency) で導かれる漸進的なカリキュラム学習戦略を採用した。 FSM-NetはRSBlurベンチマークで評価され、わずか4.94Mのパラメータと159.35 GMAC(1920×1200の解像度)しか持たない33.144 dBのPSNRを達成した。 効率と品質のParetoフロンティアを効果的に推し進めることで、FSM-Netはリソース制約された画像復元のための強力なベースラインを確立する。

関連論文リスト

• FastSHADE: Fast Self-augmented Hierarchical Asymmetric Denoising for Efficient inference on mobile devices [0.3448741840371157]
  現代のモバイル写真にはリアルタイム画像のデノゲーションが不可欠だが、エッジデバイスの厳格なレイテンシと電力制限のため、依然として困難である。 本稿では,モバイルGPU上でのリアルタイムかつ高忠実な復元に適した軽量なU-NetスタイルネットワークであるFastSHADEを提案する。
  論文  参考訳（メタデータ） (2026-04-11T16:36:13Z)
• ReGLA: Efficient Receptive-Field Modeling with Gated Linear Attention Network [14.912003445763688]
  textbfReGLAは、局所特徴抽出のための効率的な畳み込みと、大域的モデリングのためのReLUベースのゲート線形アテンションを統合している。 ReGLAは、ダウンストリームタスクで同様にスケールしたiFormerモデルより優れており、オブジェクト検出では textbf3.1% AP、ADE20Kセマンティックセグメンテーションでは textbf3.6% mIoU を達成している。
  論文  参考訳（メタデータ） (2026-02-05T03:43:29Z)
• Residual Prior-driven Frequency-aware Network for Image Fusion [6.90874640835234]
  画像融合は、高品質な融合画像を生成するために、モダリティにまたがる相補的な情報を統合することを目的としている。 本稿ではRPFNetと呼ばれる残差優先周波数対応ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T10:48:00Z)
• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• MF-NeRF: Memory Efficient NeRF with Mixed-Feature Hash Table [62.164549651134465]
  MF-NeRFは,Mixed-Featureハッシュテーブルを用いてメモリ効率を向上し,再構成品質を維持しながらトレーニング時間を短縮するメモリ効率の高いNeRFフレームワークである。 最新技術であるInstant-NGP、TensoRF、DVGOによる実験は、MF-NeRFが同じGPUハードウェア上で、同様のあるいはそれ以上のリコンストラクション品質で最速のトレーニング時間を達成できることを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T05:44:50Z)

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。