論文の概要: DVANet: Degradation-aware Visual-prior Alignment Network for Image Restoration

• arxiv url: http://arxiv.org/abs/2606.19097v1
• Date: Wed, 17 Jun 2026 14:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.193316
• Title: DVANet: Degradation-aware Visual-prior Alignment Network for Image Restoration
• Title（参考訳）: DVANet:画像復元のための劣化対応ビジュアルプライアライメントネットワーク
• Authors: Yanjie Tu, Qingsen Yan, Axi Niu, Tao Hu, Haokui Zhang, Jiantao Zhou,
• Abstract要約: 本稿では,分解認識観測一貫性と視覚的優先誘導再構成の協調的展開プロセスであるDVANetを提案する。 実験により、DVANetはマルチシナリオ劣化とクロスドメイン画像復元タスクにおいて、優れた、あるいは競争的な性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 31.441586261696617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-One image restoration aims to develop a unified restoration framework for handling diverse degradation types. Existing end-to-end methods usually regard the restoration process as a black-box mapping, lacking an explicit optimization interpretation. Although deep unfolding provides an interpretable iterative modeling paradigm for image restoration, existing methods mostly rely on fixed degradation assumptions or predefined degradation information, making them difficult to adapt to unified restoration requirements under complex degradations and locally damaged content. This limitation restricts their performance in degradation suppression and structural detail recovery. To address these issues, this paper proposes DVANet, a deep unfolding network inspired by the half-quadratic splitting optimization algorithm, which formulates unified image restoration under complex degradations as a collaborative unfolding process between degradation-aware observation consistency and visual-prior-guided reconstruction. Specifically, in the degradation-aware observation consistency branch, a degradation representation module is employed to extract global degradation attributes and local degradation cues, and degradation-conditioned mapping is used to enhance the model's adaptability to different degradation types. In the visual-prior-guided reconstruction branch, DINOv3 is introduced to provide structural and semantic information as hierarchical visual priors, thereby complementing the missing structural information in damaged regions and improving detail recovery. Extensive experiments demonstrate that DVANet achieves superior or competitive performance on multi-scenario degradation and cross-domain image restoration tasks, showing favorable degradation adaptability and generalization ability.
• Abstract（参考訳）: All-in-Oneイメージ復元は、多様な劣化タイプを扱うための統一された復元フレームワークを開発することを目的としている。 既存のエンドツーエンドの手法は通常、復元過程をブラックボックスマッピングとみなし、明示的な最適化の解釈を欠いている。 深い展開は、画像復元のための解釈可能な反復的モデリングパラダイムを提供するが、既存の手法は、主に固定された劣化仮定や事前定義された劣化情報に依存しており、複雑な劣化や局所的な損傷のあるコンテンツの下で、統一された復元要求に適応することが困難である。 この制限は、劣化抑制と構造的詳細回復における性能を制限する。 これらの問題に対処するために, 半四分法分割最適化アルゴリズムに着想を得た深部展開ネットワークDVANetを提案する。 具体的には、劣化対応観察整合性分岐において、グローバルな劣化特性と局所的な劣化キューを抽出するために劣化表現モジュールを用い、分解条件マッピングを用いて、異なる劣化タイプへのモデルの適応性を高める。 視覚優先再建部では、構造的および意味的情報を階層的な視覚的先行情報として提供し、損傷領域における構造的情報の欠如を補完し、詳細回復を改善するためにDINOv3を導入する。 DVANetは、マルチシナリオ劣化とクロスドメイン画像復元タスクにおいて、優れた、あるいは競争的な性能を達成し、優れた劣化適応性と一般化能力を示す。

関連論文リスト

• Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
  画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力から高品質なイメージを復元することを目的としている。 本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。 具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T13:13:44Z)
• 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)
• Dynamic Degradation Decomposition Network for All-in-One Image Restoration [3.856518745550605]
  本稿では,オールインワン画像復元のための動的劣化分解ネットワークD$3$Netを提案する。 D$3$Netは、クロスドメイン相互作用と動的分解分解を通じて誘導プロンプトによる劣化適応画像復元を実現する。 複数の画像復元タスクの実験では、D$3$Netは最先端のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-02-26T11:49:58Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Cross-Consistent Deep Unfolding Network for Adaptive All-In-One Video Restoration [78.14941737723501]
  オールインワンVRのためのクロスコンセントディープ・アンフォールディング・ネットワーク(CDUN)を提案する。 2つのカスケード手順を編成することにより、CDUNは様々な劣化に対する適応的な処理を達成する。 さらに、より隣接するフレームからの情報を活用するために、ウィンドウベースのフレーム間融合戦略を導入する。
  論文  参考訳（メタデータ） (2023-09-04T14:18:00Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)

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。