論文の概要: BiDeMem: Bidirectional Degradation Memory for Explainable Image Restoration
- arxiv url: http://arxiv.org/abs/2606.28112v1
- Date: Fri, 26 Jun 2026 14:12:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.509139
- Title: BiDeMem: Bidirectional Degradation Memory for Explainable Image Restoration
- Title（参考訳）: BiDeMem: 説明可能なイメージ復元のための双方向の劣化メモリ
- Abstract要約: BiDeMemは、説明可能な画像復元のための双方向劣化メモリである。
新たなコントロールでは、リコメンデーションヘッドのみ、厳密なクエリ前、静的なグローバル前からゲインを分離する。
インターベンションプローブは、BiRankが修復品質を保ちつつ、誤った優先感度とネイティブプライオリティを高めていることを示している。
- 参考スコア（独自算出の注目度）: 2.7501248535328315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Degradation-aware prompts, conditions, and latent priors are increasingly used in image restoration, yet they are usually judged by a single endpoint: whether the restored image obtains higher PSNR. This is a weak test of semantics. A condition can help by adding capacity, acting as a global correction bias, or exploiting dataset shortcuts, without becoming an interpretable degradation prior. We propose BiDeMem, a bidirectional degradation memory for explainable image restoration. A query built from restoration features and input statistics retrieves a compact top-k subset of memory slots. The same selected slot identity supports the restoration path at inference time and a training-only forward-degradation explanation path. The study centers on verifiability in a controlled multi-degradation NAFNet setting. New controls separate the gain from a correction head alone, a dense query prior, and a static global prior: these variants are 0.2588, 0.2586, and 0.2839 dB below BiRank, respectively. Strong residual supervision and a wider degradation head also remain below the full bidirectional memory model. Intervention probes show that BiRank preserves restoration quality while increasing wrong-prior and native-prior sensitivity, framing degradation memory as both a restoration module and a falsifiable explanation mechanism.
- Abstract（参考訳）: 劣化を意識したプロンプト、条件、潜伏前のプリエントは、画像復元にますます使われるが、通常は単一のエンドポイントによって判断される: 復元されたイメージがより高いPSNRを得るかどうか。
これは意味論の弱いテストです。
条件は、キャパシティを追加したり、グローバルな修正バイアスとして機能したり、データセットのショートカットを利用したりすることで、事前に解釈可能な劣化を生じさせることなく役立ちます。
説明可能な画像復元のための双方向劣化メモリBiDeMemを提案する。
復元機能と入力統計から構築されたクエリは、メモリスロットのコンパクトなトップkサブセットを取得する。
同じ選択されたスロットアイデンティティは、推論時の復元パスと、トレーニング専用前方劣化説明パスをサポートする。
この研究は、制御された多段劣化NAFNet設定における検証可能性に焦点を当てている。
新たなコントロールは、修正ヘッドのみと、より密度の高いクエリ前と、静的なグローバル前とを区別する:これらの変種はそれぞれ、BiRankの下の0.2588、0.2586、0.2839dBである。
強い残留監督とより広い劣化ヘッドも、完全な双方向メモリモデルの下にある。
インターベンション・プローブにより、BiRankは修復の質を保ちつつ、不正な優先度とネイティブな感度を高め、フレーミング劣化記憶を修復モジュールとファリシブルな説明機構の両方として保持することが示された。
関連論文リスト
- Restoring Without Forgetting: Continual Learning Across Image Degradations [6.288045889067255]
画像復元の最近の進歩は、単一のネットワーク内で複数の劣化を共同処理するオールインワンアーキテクチャに集約されている。
実際には、フィールドデプロイシステムは徐々に新しい環境条件に直面しているため、分解が順次発生する。
連続的なドメイン・インクリメンタルな学習問題として,多段劣化画像復元を定式化する。
論文 参考訳（メタデータ） (2026-08-24T20:04:18Z) - DPC-Net: Dual-Prior Collaborative Network for All-in-One Image Restoration [29.05613521811981]
本稿では、劣化した画像を復元するための新しいDual-Prior Collaborative Network(DPC-Net)を提案する。
DPC-Netは劣化セマンティック結合された先行と低レベルの視覚的先行を利用する。
複数の復元ベンチマークの実験により、DPC-Netは最先端のAiOIR法に対して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-08-20T15:04:17Z) - Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。
パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。
FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
論文 参考訳（メタデータ） (2026-08-07T05:44:31Z) - QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration [20.33280733198936]
オールインワン画像復元は、単一の統一モデルを用いて、複数の汚職タイプによって劣化したクリーンなイメージを復元することを目的としている。
QuReC は分解再構成モジュール (DQRM) と局所グロバル応答モジュール (LGRCM) から構成される。
DQRMは、各空間クエリと劣化プロトタイプ空間とを一致させて、クエリ固有の劣化表現を再構成する。
LGRCMは局所グロバルな二重ブランチアグリゲーションを実行し、アグリゲーションされた応答を学習可能な先行値で校正する。
論文 参考訳（メタデータ） (2026-07-16T15:10:00Z) - 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) - 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) - AllRestorer: All-in-One Transformer for Image Restoration under Composite Degradations [52.076067325999226]
本稿では,新しいトランスフォーマーベースの復元フレームワークAllRestorerを提案する。
AllRestorerは、すべてのイメージ障害を適応的に考慮し、シーンディスクリプタのミスダイレクトによるエラーを避ける。
CDD-11データセットのベースラインと比較して,AllRestorerはPSNRの5.00dB増加を実現している。
論文 参考訳（メタデータ） (2024-11-16T05:30:55Z) - InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。
InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
論文 参考訳（メタデータ） (2024-01-29T18:53:33Z)
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。