論文の概要: LogicIR: Logic Gate Networks for Image Restoration

• arxiv url: http://arxiv.org/abs/2606.26609v1
• Date: Thu, 25 Jun 2026 05:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.176934
• Title: LogicIR: Logic Gate Networks for Image Restoration
• Title（参考訳）: LogicIR:画像復元のためのLogic Gate Networks
• Abstract要約: 本稿では,画像復元に特化して設計された最初のLGNであるLogicIRを紹介する。 LogicIRは、論理ゲートで構成されたUNetにインスパイアされたアーキテクチャを取り入れている。 その結果,LogicIRは計算コストを大幅に削減し,高い性能を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 14.471297434908209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration aims to reconstruct high-quality images from degraded low-quality inputs. As the computational demands of image restoration models continue to rise, there is growing interest in lightweight architectures optimized for fast and efficient inference. Logic gate networks (LGNs), which operate using fundamental logic operations such as NAND and XOR, have recently emerged as a promising direction for achieving highly efficient computation. However, their potential remains largely untapped in the domain of image restoration. In this work, we introduce LogicIR, the first LGN specifically designed for image restoration tasks. LogicIR incorporates a UNet-inspired architecture composed entirely of logic gates. In addition, we propose a differentiable bit decoding layer and an index shuffling mechanism that improves information propagation across logic gates. Experimental results across multiple image restoration benchmarks demonstrate that LogicIR achieves strong performance with significantly reduced computational cost, establishing LogicIR as a viable and efficient alternative for image restoration. The source code is available at https://github.com/jimmy9704/LogicIR
• Abstract（参考訳）: 画像復元は、劣化した低品質入力から高品質な画像を再構成することを目的としている。 画像復元モデルの計算要求が高まるにつれて、高速かつ効率的な推論に最適化された軽量アーキテクチャへの関心が高まっている。 NANDやXORといった基本的な論理演算を用いた論理ゲートネットワーク(LGN)は,近年,高効率な計算を実現するための有望な方向として出現している。 しかし、画像修復の領域では、その可能性はほとんど失われていない。 本稿では,画像復元タスク用に設計された最初のLGNであるLogicIRを紹介する。 LogicIRは、論理ゲートで構成されたUNetにインスパイアされたアーキテクチャを取り入れている。 さらに,論理ゲート間の情報伝達を改善するため,識別可能なビットデコーディング層とインデックスシャッフル機構を提案する。 複数の画像復元ベンチマークによる実験結果から、LogicIRは計算コストを大幅に削減し、強力な性能を達成し、LogicIRを画像復元の実用的で効率的な代替品として確立した。 ソースコードはhttps://github.com/jimmy9704/LogicIRで入手できる。

関連論文リスト

• Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
  画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。 最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T06:01:36Z)
• 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)
• Pruning Overparameterized Multi-Task Networks for Degraded Web Image Restoration [1.9336815376402718]
  マルチタスク画像復元モデルを圧縮する手法を提案する。 提案手法は,低マグニチュード重みを除去する反復的プルーニング戦略を用いて,MIR-Lモデルを提案する。 テストの結果、MIR-Lはトレーニング可能なパラメータの10%しか保持せず、高い画像復元性能を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-10-16T09:04:05Z)
• Striving for Faster and Better: A One-Layer Architecture with Auto Re-parameterization for Low-Light Image Enhancement [50.93686436282772]
  我々は、視覚的品質と計算効率の両方から、画像エンハンサーの限界を掘り下げることを目指している。 タスク要求を再考することにより、視覚的品質と計算効率がモデル学習と構造設計に対応する、明示的な接続を構築する。 最終的には、単一の畳み込み層のみを使用して、優れた視覚的品質を維持しながら、効率的な低照度画像強調を実現する。
  論文  参考訳（メタデータ） (2025-02-27T08:20:03Z)
• Convolutional Differentiable Logic Gate Networks [68.74313756770123]
  本稿では,論理ゲートネットワークを微分緩和により直接学習する手法を提案する。 私たちはこのアイデアに基づいて、深い論理ゲートツリーの畳み込みと論理ORプーリングによってそれを拡張します。 CIFAR-10では、6100万の論理ゲートのみを使用して86.29%の精度を実現し、SOTAよりも29倍の精度で改善した。
  論文  参考訳（メタデータ） (2024-11-07T14:12:00Z)
• LIR: A Lightweight Baseline for Image Restoration [4.187190284830909]
  画像復元作業の本質的な特徴は、多くの作品で見落とされがちである。 LIRと呼ばれる画像復元のための軽量ベースラインネットワークを提案し、画像の効率よく復元し、劣化を除去する。 我々のLIRは、Pak Signal-to-Noise Ratio (PSNR)における最先端構造類似度指標(SSIM)および最先端モデルに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-02-02T12:39:47Z)
• FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
  本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。 実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T09:05:25Z)
• Asymmetric Learned Image Compression with Multi-Scale Residual Block, Importance Map, and Post-Quantization Filtering [15.056672221375104]
  ディープラーニングに基づく画像圧縮は、最新のH.266/VVCよりも高いレート歪み(R-D)性能を実現している。 多くの先導的な学習スキームは、パフォーマンスと複雑さの間の良いトレードオフを維持することができません。 そこで本研究では,R-D の性能を技術状況よりも低い複雑さで実現した,効率的かつ効果的な画像符号化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-21T09:34:29Z)
• Powers of layers for image-to-image translation [60.5529622990682]
  本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。 固定重み付きイメージオートエンコーダアーキテクチャから始める。 各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
  論文  参考訳（メタデータ） (2020-08-13T09:02:17Z)

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。