論文の概要: MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration
- arxiv url: http://arxiv.org/abs/2607.00138v1
- Date: Tue, 30 Jun 2026 20:17:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.616499
- Title: MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration
- Title（参考訳）: MG-SpaIR:訓練データフリー画像復元のためのマルチグレードスパース誘導インプシット表現
- Abstract要約: MG-SpaIRは、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。
分解能グレードにまたがる再構成を段階的に洗練する多品位粗い残留階層を導入する。
混合劣化ベンチマークの実験は、MG-SpaIRが強いトレーニングデータのないベースラインを一貫して上回ることを示した。
- 参考スコア（独自算出の注目度）: 15.897294007874898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MG-SpaIR is a training-data-free framework for restoring a clean image from a single observation corrupted by a mixture of blur, downsampling, noise, and missing pixels. Building on implicit neural representations (INRs), we introduce a multi-grade coarse-to-fine residual hierarchy that progressively refines the reconstruction across resolution grades, improving representational fidelity and mitigating spectral limitations. To stabilize reconstruction optimization and suppress INR-induced artifacts, we further propose an explicit sparse proximal regularization (e.g., $\ell_0$-type) applied directly in the high-resolution image domain, which discourages spurious high-frequency patterns while preserving sharp structures. The resulting optimization is solved efficiently via a multi-grade proximal alternating scheme, and we establish convergence guarantees for the associated updates under standard regularity conditions. Experiments on mixed-degradation benchmarks demonstrate that MG-SpaIR consistently outperforms strong training-data-free baselines such as Deep Image Prior, providing a stable, interpretable, and data-efficient alternative to conventional learning-based restoration methods.
- Abstract（参考訳）: MG-SpaIR(MG-SpaIR)は、ぼかし、ダウンサンプリング、ノイズ、欠落したピクセルの混在によって、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。
暗黙的ニューラル表現(INR)を基盤として,多段階の粗い微細な階層構造を導入し,解像度グレード間の再構成を段階的に洗練し,表現の忠実度を向上し,スペクトル制限を緩和する。
再構成の最適化を安定させ,INRにより誘導されるアーティファクトを抑制するため,高分解能画像領域に直接適用した明示的なスパース近位正規化(例えば$\ell_0$-type)を提案する。
結果の最適化はマルチグレードの近位交互化スキームによって効率よく解き、標準正則条件下での関連更新の収束保証を確立する。
混合劣化ベンチマークの実験では、MG-SpaIRはDeep Image Priorのような強力なトレーニングデータのないベースラインを一貫して上回り、従来の学習ベースの復元方法に代わる安定した、解釈可能な、データ効率の高い代替手段を提供する。
関連論文リスト
- Improving Visual Representation Alignment Generation with GRPO [51.071351994330605]
拡散変換器は強い画像合成能力を示したが、弱いアライメントのため、列車には非効率である。
本稿では,REPAの静的アライメント損失を生成的表現ポリシー最適化の目的に置き換える,強化に基づく最適化戦略であるVRPOを提案する。
当社のVRPO駆動トレーニングは拡散トランスフォーマーにシームレスに統合され、無視可能なコストを導入し、SiTとDiTアーキテクチャとの完全な互換性を維持します。
論文 参考訳（メタデータ） (2026-05-30T07:21:40Z) - Self-Tuning Regularization for Image Scanning Microscopy [32.613477872461324]
共焦点顕微鏡を用いた画像再構成のための自己調整型明示的正規化フレームワークを提案する。
提案手法は,実証的な停止規則を使わずに安定した復元を可能にする。
シミュレーションおよび実蛍光IDMデータセットの実験により、再構成安定性と画質が改善された。
論文 参考訳（メタデータ） (2026-05-29T15:22:54Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。
DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-10T16:17:11Z) - ClusIR: Towards Cluster-Guided All-in-One Image Restoration [72.16989784735796]
ClusIRは、統一されたフレームワーク内でさまざまな劣化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。
ClusIRは、確率的クラスタ誘導ルーティング機構(PCGRM)と劣化対応周波数変調モジュール(DAFMM)の2つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2025-12-11T18:59:47Z) - Physics-Guided Null-Space Diffusion with Sparse Masking for Corrective Sparse-View CT Reconstruction [5.479463752172751]
拡散モデルは画像処理タスクにおいて顕著な生成能力を示した。
スパース・ビューCT再構成のためのスパース・コンディション・リワイト統合分布推定誘導拡散モデル(STRIDE)を提案する。
実験結果から,PSNRでは2.58dB,SSIMでは2.37%,MSEでは0.236に改善した。
論文 参考訳（メタデータ） (2025-09-07T09:42:16Z) - RemixFusion: Residual-based Mixed Representation for Large-scale Online RGB-D Reconstruction [22.84127950120426]
RemixFusionはシーン再構成とカメラポーズ推定のための新しい残差ベース混合表現である。
特に,明示的な粗いTSDFグリッドと暗黙的なニューラルモジュールからなる残差ベースのマップ表現を提案する。
我々の手法は、明示的あるいは暗黙的な表現に基づくものを含む、最先端のすべてのものを上回る。
論文 参考訳（メタデータ） (2025-07-23T15:27:09Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳（メタデータ） (2022-10-25T08:34:29Z) - Reliability-based Mesh-to-Grid Image Reconstruction [0.0]
本稿では,メッシュと呼ばれる非整数位置にあるサンプルからの画像の再構成を行う新しい手法を提案する。
提案手法は、後に新しい信頼性ベースのコンテンツ適応フレームワークによって改善された初期推定値のセットに依存する。
論文 参考訳（メタデータ） (2022-05-20T12:32:52Z)
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。