論文の概要: Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents
- arxiv url: http://arxiv.org/abs/2607.21125v1
- Date: Thu, 23 Jul 2026 09:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.370136
- Title: Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents
- Title（参考訳）: Causal-AgentIR:適応画像修復剤の自己進化型因果記憶
- Abstract要約: Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。
分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。
このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
- 参考スコア（独自算出の注目度）: 54.85451496831771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image restoration agents have recently emerged as a flexible paradigm for handling diverse and unpredictable degradations in real-world scenarios. Existing agents typically formulate restoration as a tool-using process, where the agent perceives degradations, searches candidate tools, executes restoration operations, and revises the plan through reflection or rollback. However, their knowledge is often stored as static tool descriptions, manually defined degradation priors, or unstructured textual summaries, which limits the accumulation, verification, revision, and forgetting of restoration knowledge over long-term experience. In this paper, we propose Causal-AgentIR, a hierarchical multi-agent framework with self-evolving causal memory for collective image restoration intelligence. Instead of representing restoration experience as isolated textual records, Causal-AgentIR organizes degradation patterns, image regions, restoration tools, actions, quality changes, and user preferences into a structured causal memory graph. This graph supports graph-based retrieval and multi-hop causal reasoning, enabling agents to infer how specific restoration operations or tool sequences affect restoration quality under different degradation conditions. The framework further organizes multiple agents into a collaborative system, including planning, degradation analysis, tool expertise, causal memory reasoning, outcome critique, and memory curation. Through this design, restoration experience can be added, updated, merged, reinforced, ignored, or discarded according to observed quality changes and feedback, allowing the agent to maintain reliable and transferable restoration knowledge. Extensive experiments demonstrate the effectiveness of the proposed framework.
- Abstract（参考訳）: 画像復元エージェントは最近、現実世界のシナリオにおける多様な予測不可能な劣化を扱うための柔軟なパラダイムとして登場した。
既存のエージェントは通常、修復をツール使用プロセスとして定式化し、エージェントが劣化を認識し、候補ツールを検索し、修復操作を実行し、リフレクションやロールバックを通じて計画を再検討する。
しかし、それらの知識は静的なツール記述、手動で定義された劣化先行、構造化されていないテキスト要約として保存され、長期的な経験よりも回復知識の蓄積、検証、修正、忘れを制限している。
本稿では,自己進化型因果記憶を用いた階層型マルチエージェントフレームワークCausal-AgentIRを提案する。
Causal-AgentIRは、復元経験を独立したテキストレコードとして表現する代わりに、分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化因果記憶グラフに整理する。
このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
このフレームワークはさらに、計画、分解分析、ツールの専門知識、因果的メモリ推論、結果批判、メモリキュレーションを含む複数のエージェントを協調システムにまとめている。
この設計により、回復体験は、観察された品質の変化やフィードバックに応じて追加、更新、統合、強化、無視、破棄され、エージェントは信頼性と伝達可能な回復知識を維持することができる。
大規模な実験により,提案手法の有効性が示された。
関連論文リスト
- DocIntent: Answerability-Guided Agentic Restoration for Real-World Document Visual Question Answering [41.13451707400618]
トレーニング不要なAnswerability-Guided Agentic RestorationフレームワークDocIntentを提案する。
比較ベースロールバック機構は、各復元ステップを検証し、質問関連証拠がより解読しにくくなったら、それを復号する。
WildDocベンチマークの実験によると、DocIntentはさまざまなオープンソースおよびクローズドソースMLLMの平均スコアと一貫性を一貫して改善している。
論文 参考訳（メタデータ） (2026-08-29T04:07:41Z) - DVANet: Degradation-aware Visual-prior Alignment Network for Image Restoration [31.441586261696617]
本稿では,分解認識観測一貫性と視覚的優先誘導再構成の協調的展開プロセスであるDVANetを提案する。
実験により、DVANetはマルチシナリオ劣化とクロスドメイン画像復元タスクにおいて、優れた、あるいは競争的な性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-06-17T14:09:39Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - RIRF: Reasoning Image Restoration Framework [18.387213732491393]
画像復元パイプラインに構造化Chain-of-Thought(CoT)推論を統合する新しいフレームワークであるReason and Restore(R&R)を提案する。
R&Rは、Qwen3-VLを微調整して、劣化の型を診断し、劣化の深刻度を定量化し、重要な劣化関連因子を推測し、関連するシーンとオブジェクトの意味を記述した明示的推論器を導入している。
結果として得られる構造化推論は、復元器の解釈可能かつきめ細かな診断先を提供する。
論文 参考訳（メタデータ） (2026-04-10T17:29:31Z) - 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) - SimpleCall: A Lightweight Image Restoration Agent in Label-Free Environments with MLLM Perceptual Feedback [27.198190496709433]
複雑な画像復元は、複数の劣化によって影響を受ける入力から高品質な画像を復元することを目的としている。
視覚言語モデルと大規模言語モデルを利用した最近の修復エージェントは、有望な修復機能を提供するが、ボトルネックに悩まされている。
本稿では,ツール呼び出しシーケンスを決定するための軽量エージェントを学習するポリシー最適化に基づく復元フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-21T05:12:25Z) - Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。
本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。
その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
論文 参考訳（メタデータ） (2025-11-07T01:50:36Z) - A Multimodal RAG Framework for Housing Damage Assessment: Collaborative Optimization of Image Encoding and Policy Vector Retrieval [0.0]
自然災害後、住宅被害の正確な評価は、保険請求の応答と資源の計画にとって重要である。
本研究では,MM-RAG(Multimodal retrieve-augmented Generation)フレームワークを提案する。
このフレームワークはエンドツーエンドのトレーニングを受け、比較損失、検索損失、生成損失を組み合わせてマルチタスク最適化の目標を形成する。
論文 参考訳（メタデータ） (2025-09-10T01:58:07Z) - 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) - SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
セマンティック・復元型画像復元フレームワークであるSPIREを開発した。
本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。
本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
論文 参考訳（メタデータ） (2023-12-18T17:02:30Z)
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。