論文の概要: QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration
- arxiv url: http://arxiv.org/abs/2607.15097v1
- Date: Thu, 16 Jul 2026 15:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.154817
- Title: QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration
- Title（参考訳）: QuReC: クエリ特異的ガイダンスと局所的応答校正によるオールインワン画像復元
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.33280733198936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All-in-one image restoration aims to recover clean images degraded by multiple corruption types using a single unified model. Existing methods typically rely on image-level prompts or shared guidance to handle diverse degradations. However, such a paradigm becomes inadequate when degradations are spatially heterogeneous or even coexist in mixed forms within a single image. Yet spatially adaptive guidance alone is not sufficient, since accurate restoration also requires each spatial query to reliably aggregate complementary information from local neighborhoods and global contexts. To this end, we propose QuReC, a unified framework for all-in-one image restoration. QuReC consists of a Degradation-Guided Query Reconstruction Module (DQRM) and a Local-Global Response Calibration Module (LGRCM). Specifically, DQRM matches each spatial query against a degradation prototype space to reconstruct a query-specific degradation-aware representation, thereby providing fine-grained spatially adaptive restoration guidance. To further stabilize this query-wise matching process, we introduce a weakly supervised prototype matching learning strategy to improve optimization stability and degradation semantic consistency. Meanwhile, LGRCM performs local-global dual-branch aggregation and calibrates the aggregated responses with learnable priors, improving the reliability of feature aggregation and the coordination between local detail modeling and global context modeling. Extensive experiments demonstrate that QuReC achieves superior performance on multiple all-in-one image restoration benchmarks. The code is released at https://github.com/zhoushen1/QuReC.
- Abstract（参考訳）: 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。
既存の手法は通常、多様な劣化を扱うために画像レベルのプロンプトや共有ガイダンスに依存している。
しかし、そのようなパラダイムは、分解が空間的に不均一である場合や、1つの画像内の混合形式に共存する場合に不適切になる。
しかし、空間適応的なガイダンスだけでは不十分であり、正確な復元には各空間クエリが局所的な地域やグローバルな文脈からの補完的な情報を確実に集約する必要がある。
そこで本研究では,オールインワン画像復元のための統合フレームワークQuReCを提案する。
QuReCはDQRM(Degradation-Guided Query Restruction Module)とLGRCM(Local-Global Response Calibration Module)で構成されている。
具体的には、DQRMは、各空間クエリと劣化プロトタイプ空間とをマッチングして、クエリ固有の劣化認識表現を再構成し、よりきめ細かい空間適応型復元ガイダンスを提供する。
このクエリワイズマッチングプロセスをさらに安定化させるために、最適化安定性と分解セマンティック一貫性を改善するために、弱教師付きプロトタイプマッチング学習戦略を導入する。
一方、LGRCMは、局所的な二分岐集約を行い、学習済みの事前応答を校正し、特徴集約の信頼性を改善し、局所的な詳細モデリングとグローバルな文脈モデリングの調整を行う。
大規模な実験により、QuReCは複数のオールインワン画像復元ベンチマークにおいて優れた性能を発揮することが示された。
コードはhttps://github.com/zhoushen1/QuReCで公開されている。
関連論文リスト
- GraLoD: Graphics-Inspired Continuous Level-of-Detail Learning for Image Restoration [54.85451496831771]
再生スケールを空間変化およびステージ依存変数として扱うプラグイン・アンド・プレイフレームワークであるGraLoDを提案する。
GraLoDはネイティブエンコーダ階層を再利用し、そのマルチスケール機能を共有LOD表現空間に整列し、デコーダの各段階でステージ条件付きLODフィールドを予測する。
実験はタスク固有とオールインワンの復元において一貫した改善を示す。
論文 参考訳（メタデータ） (2026-09-15T03:22:22Z) - 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) - VICR: Visual In-Context Restoration for Real-World Image Super-Resolution [6.277195520534762]
画像補完としてReal-ISRを定式化するフレームワークであるVisual In-Context Restoration (VICR)を提案する。
VICRは、トレーニング可能なパラメータがわずか117Mの複数のReal-ISR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） (2026-05-30T12:27:16Z) - 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) - Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。
単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。
LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文 参考訳（メタデータ） (2025-11-20T04:11:44Z) - M2Restore: Mixture-of-Experts-based Mamba-CNN Fusion Framework for All-in-One Image Restoration [24.997494864875883]
M2Restoreは、効率的で堅牢なオールインワン画像復元のための新しいMixture-of-Experts (MoE)ベースのMamba-CNN融合フレームワークである。
タスク条件付きプロンプトをCLIP由来のセマンティックプリミティブと融合させる,CLIP誘導型MoEゲーティング機構を利用する。
我々は,CNNの局所的表現強度とMambaの長距離モデリング効率を融合したデュアルストリームアーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-06-09T14:43:39Z) - Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。
我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。
劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
論文 参考訳（メタデータ） (2025-04-19T09:54:46Z) - OneRestore: A Universal Restoration Framework for Composite Degradation [33.556183375565034]
現実のシナリオでは、画像障害はしばしば複合的な劣化として現れ、低光、迷路、雨、雪といった要素の複雑な相互作用を示す。
本研究では, 複雑な複合劣化シナリオを正確に表現するために, 4つの物理劣化パラダイムを統合した多目的イメージングモデルを提案する。
OneRestoreは、適応的で制御可能なシーン復元のために設計された新しいトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2024-07-05T16:27:00Z) - Recursive Generalization Transformer for Image Super-Resolution [108.67898547357127]
本稿では,大域空間情報を捕捉し,高分解能画像に適した画像SRのための再帰一般化変換器(RGT)を提案する。
我々は,RG-SAと局所的自己意識を組み合わせることで,グローバルな文脈の活用を促進する。
我々のRGTは最近の最先端の手法よりも定量的に質的に優れている。
論文 参考訳（メタデータ） (2023-03-11T10:44:44Z)
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。