論文の概要: TaskTok: Delving into Task Tokens for Task-driven Image Restoration

• arxiv url: http://arxiv.org/abs/2606.26615v1
• Date: Thu, 25 Jun 2026 05:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.178379
• Title: TaskTok: Delving into Task Tokens for Task-driven Image Restoration
• Title（参考訳）: TaskTok: タスク駆動イメージ復元のためのタスクトークンに夢中になる
• Abstract要約: タスク駆動画像復元(TDIR)は、下流の高レベル視覚タスクの性能を最大化することを目的としている。 近年のTDIRの先進的なアプローチは、TDIRの可能性を示唆している。 タスク関連トークンのみを選択的に復元する新しいフレームワークであるTaskTokを提案する。
• 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: While traditional image restoration focuses on perceptual quality, Task-Driven Image Restoration (TDIR) aims to maximize the performance of downstream high-level vision tasks. Recent approaches leveraging generative priors have shown promise for TDIR; however, they typically suffer from computational inefficiency and potential semantic alteration by indiscriminately updating all latent tokens. In this paper, we posit that not all visual information is equally important for machine perception. Through an analysis of the latent token space, we observe that task-relevant cues are unevenly distributed across the token sequence, exhibiting index-wise specialization. This suggests that selectively refining a subset of tokens can be sufficient for task-driven objectives. Leveraging this insight, we propose TaskTok, a novel framework that selectively restores only task-relevant tokens via a learnable token switch and a lightweight token refinement module. Extensive experiments across image classification, semantic segmentation, and object detection demonstrate that TaskTok significantly enhances task performance with high computational efficiency. The source code is available at https://github.com/jimmy9704/TaskTok
• Abstract（参考訳）: 従来の画像復元は知覚品質に重点を置いているが、タスク駆動画像復元(TDIR)は下流の高レベル視覚タスクの性能を最大化することを目的としている。 生成前の先入観を活用する最近のアプローチは、TDIRを約束していることを示しているが、一般的には、潜在トークンを無差別に更新することで、計算の非効率性と潜在的な意味的変化に悩まされている。 本稿では,すべての視覚情報が機械認識に等しく重要であるわけではないと仮定する。 潜在トークン空間の解析を通して、タスク関連キューがトークン列に不均一に分散され、インデックスワイドの特殊化が示されるのを観察する。 これは、トークンのサブセットを選択的に書き換えることは、タスク駆動の目的に十分であることを示している。 学習可能なトークンスイッチと軽量トークンリファインメントモジュールによってタスク関連トークンのみを選択的に復元する新しいフレームワークであるTaskTokを提案する。 画像分類,セマンティックセグメンテーション,オブジェクト検出などにわたる大規模な実験により,TaskTokは高い計算効率でタスク性能を大幅に向上させることを示した。 ソースコードはhttps://github.com/jimmy9704/TaskTokで入手できる。

関連論文リスト

• Downstream Task Inspired Underwater Image Enhancement: A Perception-Aware Study from Dataset Construction to Network Design [53.9340120911759]
  そこで本研究では,水中視覚タスクに有効な画像強調を行うために,下流タスクインスパイアされた水中画像強調(DTI-UIE)フレームワークを提案する。 具体的には,機能混合のためのタスク認識型アテンションモジュールを備えた効率的な2分岐ネットワークを設計する。 DTI-UIEは、下流タスクに有用な前処理画像を生成することにより、タスク性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-03-02T11:50:09Z)
• SPOT: Sparsification with Attention Dynamics via Token Relevance in Vision Transformers [9.24617274894642]
  視覚変換器(ViT)内の冗長トークンを早期に検出するためのフレームワークとして,Token Relevance (SPOT) を用いた attentiOn dynamics を用いたSParsification を提案する。 SPOTはトークンスペーシフィケーションを通知し、そのようなトークンを除去し、性能を犠牲にすることなく計算効率を向上させる。 実験による評価では、通常のViTに比べて40%の効率向上が見られた。
  論文  参考訳（メタデータ） (2025-11-13T16:56:24Z)
• ZSPAPrune: Zero-Shot Prompt-Aware Token Pruning for Vision-Language Models [7.7352936204066]
  本稿では,タスク関連性と情報多様性のバランスとして,視覚トークンプルーニングをモデル化する新しいゼロショット手法を提案する。 本手法は,精度の低下を最小限に抑えて,最先端技術に適合または超越した性能を実現する。 これらのゲインには、GPUメモリフットプリントの大幅な削減と推論レイテンシが伴っている。
  論文  参考訳（メタデータ） (2025-10-20T06:18:47Z)
• VisionThink: Smart and Efficient Vision Language Model via Reinforcement Learning [95.89543460132413]
  視覚言語モデル(VLM)は、視覚トークンの数を増やすことで性能を改善した。 しかし、現実世界のシナリオの多くは、このような膨大な数の視覚トークンを必要としない。 視覚的トークン圧縮(VisionThink)のための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-07-17T17:59:55Z)
• ToDRE: Visual Token Pruning via Diversity and Task Awareness for Efficient Large Vision-Language Models [59.47738955960352]
  ToDREは、2段階でトレーニング不要なトークン圧縮フレームワークである。 トークンの多様性とトークン-タスク関連性に基づいてトークンをプルーニングすることで、優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-24T15:47:49Z)
• End-to-End Vision Tokenizer Tuning [73.3065542220568]
  低レベルの再構築のために最適化された視覚トークンーは、様々な表現と意味論を必要とする下流タスクである。 視覚トークン化の損失は、ターゲットタスクの表現ボトルネックになる可能性がある。 本研究では,視覚トークン化と目標自己回帰タスクを協調的に最適化するエンド・ツー・エンドの視覚トークン化チューニング手法であるETTを提案する。
  論文  参考訳（メタデータ） (2025-05-15T17:59:39Z)
• Multi-Task Label Discovery via Hierarchical Task Tokens for Partially Annotated Dense Predictions [44.78165979575075]
  本稿では,コンパクトな学習可能な階層型タスクトークンの集合を最適化する新しい手法を提案する。 グローバルタスクトークンは、グローバルコンテキストにおける効果的なクロスタスク機能インタラクションのために設計されている。 各タスクに対するきめ細かいタスク固有の空間トークンのグループを、対応するグローバルタスクトークンから学習する。 学習されたグローバルおよび局所的な細粒度タスクトークンは、異なるレベルの粒度で擬似タスク固有の密度ラベルを発見するためにさらに使用される。
  論文  参考訳（メタデータ） (2024-11-27T23:53:27Z)
• ToSA: Token Selective Attention for Efficient Vision Transformers [50.13756218204456]
  ToSAはトークン選択型アテンションアプローチで、コンバータ層をスキップできるトークンだけでなく、参加する必要のあるトークンも識別できる。 ToSAは,ImageNet分類ベンチマークの精度を維持しながら,計算コストを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-06-13T05:17:21Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• Automatic Shortcut Removal for Self-Supervised Representation Learning [39.636691159890354]
  自己教師付き視覚表現学習では、人間のアノテーションを使わずにラベルを安価に生成できる「テキストタスク」に基づいて特徴抽出器を訓練する。 このような「ショートカット」機能や、その効果を減らすための手書き設計スキームの特定に多くの作業が費やされている。 この仮定は、"lens"ネットワークをトレーニングして、プリテキストタスクのパフォーマンスを最大に低下させる小さな画像変更を行うことによって、一般的なプリテキストタスクやデータセットにまたがって成り立つことを示す。
  論文  参考訳（メタデータ） (2020-02-20T16:00:18Z)

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。