論文の概要: Self-Evolving Agentic Image Restoration via Deliberate Planning and Intuitive Execution
- arxiv url: http://arxiv.org/abs/2606.28971v1
- Date: Sat, 27 Jun 2026 15:21:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.743568
- Title: Self-Evolving Agentic Image Restoration via Deliberate Planning and Intuitive Execution
- Title（参考訳）: 熟考計画と直感的実行による自己進化型エージェント画像復元
- Abstract要約: 自己進化型エージェント画像復元は、シーケンシャルな意思決定問題として復元を定式化する。
二重プロセス理論にインスパイアされたSEARは直感的実行器と自由計画器から構成される。
合成および実世界のベンチマークの実験は、その強い知覚と量的性能を示す。
- 参考スコア（独自算出の注目度）: 27.721743933778004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world image restoration (IR) remains challenging due to complex and coupled degradations. While recent agentic IR frameworks leverage Large Language Models for flexible tool planning, they face two critical limitations. First, from a search scheme perspective, excessive reliance on greedy strategies fails to balance exploration and exploitation. Second, existing agentic systems underutilize information, exhibiting episodic amnesia. To address these challenges, we propose \textbf{Self-Evolving Agentic Image Restoration (SEAR)}, which formulates restoration as a sequential decision-making problem. Inspired by the dual-process theory, SEAR comprises an Intuitive Executor and a Deliberate Planner, respectively following the fast-thinking \textit{System 1} and slow-thinking \textit{System 2} principles. The Deliberate Planner employs Pruning-Aware Monte Carlo Tree Search for long-horizon reasoning, utilizing a hybrid no-reference reward and a Multimodal Large Language Model (MLLM)-based tournament to prevent metric exploitation. Complementarily, the Intuitive Executor leverages a self-evolving episodic memory indexed by degradation-aware state fingerprints. This mechanism distills expensive search trajectories into adaptive expertise, overcoming episodic amnesia while progressively amortizing cold-start exploration costs through memory reuse. Extensive experiments on synthetic and real-world benchmarks demonstrate its strong perceptual and quantitative performance.
- Abstract（参考訳）: 実世界の画像復元(IR)は、複雑で複合的な劣化のため、依然として困難である。
最近のエージェントIRフレームワークは、柔軟性のあるツールプランニングにLarge Language Modelsを利用しているが、2つの重要な制限に直面している。
まず、検索スキームの観点からは、欲張り戦略への過度な依存は、探索と搾取のバランスをとるのに失敗する。
第二に、既存のエージェントシステムは情報を活用し、てんかんを呈する。
これらの課題に対処するため、逐次的意思決定問題として復元を定式化する「textbf{Self-Evolving Agentic Image Restoration (SEAR)」を提案する。
二重プロセス理論にインスパイアされたSEARは直感的実行者(Intuitive Executor)とDeliberate Planner(Deliberate Planner)で構成され、それぞれ高速思考の \textit{System 1} とスロー思考の \textit{System 2} の原理に従っている。
Deliberate Plannerは、Pruning-Aware Monte Carlo Tree Searchを長期の推論に使用し、ハイブリッドなno-reference rewardとMultimodal Large Language Model(MLLM)ベースのトーナメントを利用して、メートル法の使用を防ぐ。
Intuitive Executorは、劣化認識状態指紋によってインデックス付けされた自己進化型エピソードメモリを利用する。
このメカニズムは、高価な探索軌跡を適応的な専門知識に蒸留し、エピソード記憶を克服しつつ、メモリ再利用による冷間開始探索コストを徐々に減らした。
合成および実世界のベンチマークに関する大規模な実験は、その強い知覚と量的性能を示す。
関連論文リスト
- NeSyFS: A Neuro-symbolic Fast-Slow Thinking Framework for LLM Agent under Partial Observability [16.584782300163862]
大規模言語モデル(LLM)は、自己回帰、検索強化生成、科学的発見などの応用において、自律的なエージェントとしてますます多くデプロイされている。
これは、信念状態推論、タスク目的のミスアライメント、不確実性の下での計画など、いくつかの重要な課題を導入します。
本稿では,LLMエージェントのためのニューロシンボリック・ファストスロー思考(NeSyFS)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-31T01:53:41Z) - Tool-Adaptive LLM Reranker [6.360159778061184]
TALRankerは、エージェントマルコフ決定プロセスとしてポイントワイズ関連スコアを定式化する新しいフレームワークである。
標準および推論集約型検索ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-12T04:04:59Z) - SGA-MCTS: Decoupling Planning from Execution via Training-Free Atomic Experience Retrieval [74.1918709002557]
我々は, LLM計画を非パラメトリック検索として活用するフレームワークである textbfSGA-MCTS を紹介する。
オンラインでは、検索増強剤は、関連するステート-ゴール-アクション原子を取得するために、ハイブリッドシンボリック-セマンティック機構を使用する。
SGA-MCTSは、探索の重い計算コストを効果的に減らし、System 1推論速度におけるシステム2推論の深さを達成し、スケーラブルかつリアルタイムに自律的な計画が実現可能である。
論文 参考訳（メタデータ） (2026-04-16T07:22:36Z) - EpiAgent: An Agent-Centric System for Ancient Inscription Restoration [60.77886293107454]
EpiAgentは、階層的な計画問題として碑文復元を定式化するエージェント中心のシステムである。
EpiAgentは、既存の方法よりも優れた復元品質とより強力な一般化を実現している。
我々の研究は、専門家レベルのエージェント主導による文化遺産の復元に向けた重要な一歩である。
論文 参考訳（メタデータ） (2026-04-10T14:37:54Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Improving Coherence and Persistence in Agentic AI for System Optimization [9.443037059325086]
Engramは、反復的にメカニズムを設計、テスト、分析する一連のエージェントを探索する。
本研究では,マルチクラウドマルチキャスト推論,LLM要求ルーティング,自然言語クエリを用いたデータベースにおけるKVキャッシュ再利用の最適化など,さまざまな領域において優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2026-03-22T17:04:50Z) - Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。
本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。
具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。
人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2026-02-10T10:16:27Z) - Empirical-MCTS: Continuous Agent Evolution via Dual-Experience Monte Carlo Tree Search [10.50683307818034]
Empirical-MCTSは、ステートレス検索を連続的な非パラメトリック学習プロセスに変換するデュアルループフレームワークである。
Inpirical-MCTS はモンテカルロ木探索法とスタンドアロンの体験駆動型エージェントのどちらよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-02-04T06:14:55Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents [144.5598958575922]
Re-TRACはクロス軌道探索を行うエージェントフレームワークである。
Re-TRAC は BrowseComp とフロンティア LLM で連続して ReAct を 15-20% 上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-02T18:58:07Z) - Self-Consolidation for Self-Evolving Agents [51.94826934403236]
大規模言語モデル(LLM)エージェントは静的システムとして機能し、生涯にわたる相互作用を通じて進化する能力に欠ける。
相補的進化機構を導入したLLMエージェントのための新しい自己進化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-02T11:16:07Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z)
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。