論文の概要: Noise-Free One-Step LoRA for Task-Driven Image Restoration with Diffusion Priors

• arxiv url: http://arxiv.org/abs/2607.25390v1
• Date: Tue, 28 Jul 2026 07:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.750517
• Title: Noise-Free One-Step LoRA for Task-Driven Image Restoration with Diffusion Priors
• Title（参考訳）: 拡散前処理によるタスク駆動画像復元のためのノイズフリーワンステップLORA
• Abstract要約: 劣化した画像は視覚的品質を低下させるだけでなく、下流の高レベル視覚タスクを損なう。 タスク駆動画像復元(TDIR)は、復元品質とタスク性能を協調的に最適化することでこの問題に対処する。 予め訓練した拡散前処理による雑音のない1段階前処理は,TDIRを大幅に改善できることを示す。 また,タスク性能を犠牲にすることなく,知覚品質を向上させるタスク保存型GANトレーニング戦略を導入する。
• 参考スコア（独自算出の注目度）: 54.200377321709546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Degraded images not only reduce visual quality but also impair downstream high-level vision tasks. Task-driven image restoration (TDIR) addresses this issue by jointly optimizing restoration quality and task performance. Recent works show that pretrained diffusion priors benefit TDIR, yet diffusion-based restoration is inherently stochastic, as the sampling process depends on a random noise term, which can undermine task consistency. In this paper, we show that a deterministic, noise-free one-step forward pass with pretrained diffusion priors can substantially improve TDIR, but the benefit critically depends on the adaptation module: LoRA yields consistent gains, whereas ControlNet-style conditioning does not. This enables one-step forwarding that surpasses conventional multi-step diffusion TDIR baselines. Furthermore, we introduce a task-preserving GAN training strategy that improves perceptual quality without sacrificing task performance. Extensive experiments on classification, segmentation, and detection demonstrate consistent gains over prior TDIR methods, and we further validate generalization on real-world degraded images and OCR.
• Abstract（参考訳）: 劣化した画像は視覚的品質を低下させるだけでなく、下流の高レベル視覚タスクを損なう。 タスク駆動画像復元(TDIR)は、復元品質とタスク性能を協調的に最適化することでこの問題に対処する。 近年の研究では、事前学習した拡散前処理がTDIRの恩恵を受けることが示されているが、拡散に基づく復元は本質的に確率的であり、サンプリングプロセスはタスクの整合性を損なうようなランダムノイズ項に依存する。 本稿では,事前学習した拡散前処理を持つ決定論的かつノイズフリーなワンステップフォワードパスがTDIRを大幅に改善できることを示すが,その利点は適応モジュールに依存している: LoRAは一貫した利得を得るが,制御ネット方式の条件付けはそうではない。 これにより、従来の多段階拡散TDIRベースラインを超えるワンステップ転送が可能となる。 さらに,タスク性能を犠牲にすることなく,知覚品質を向上させるタスク保存型GANトレーニング戦略を導入する。 分類,セグメンテーション,検出に関する広範囲な実験は,従来のTDIR法よりも一貫した利得を示し,実世界の劣化画像とOCRの一般化をさらに検証する。

関連論文リスト

• RPL-UIE: Reliable Prior Learning for Underwater Image Enhancement [26.456497000099148]
  水中画像強調のための信頼性の高い事前学習のためのフレームワークであるRPL-UIEを提案する。 教師段階において、ネットワークは、対の劣化画像と参照画像から外観と光度特性を特徴付ける信頼性と相補的な空間的優先順位を学習する。 学生の段階では、ネットワークは劣化した画像のみを入力として取り、教師の事前抽出能力をエミュレートすることを学ぶ。
  論文  参考訳（メタデータ） (2026-07-31T14:30:36Z)
• Exploiting Diffusion Prior for Task-driven Image Restoration [52.86792374527662]
  タスク駆動画像復元(TDIR)は、最近、低品質(LQ)入力による高レベルの視覚タスクのパフォーマンス低下に対応するために登場した。 従来のTDIR手法では、複数の複雑な要因によって画像が劣化する現実的なシナリオを扱うのに苦労していた。 本稿では,タスク関連の詳細の復元に先立って,拡散のパワーを効果的に活用するEDTRを提案する。
  論文  参考訳（メタデータ） (2025-07-30T08:05:49Z)
• LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter [52.93785843453579]
  低品質(LQ)画像からのブラインド顔復元は、高忠実度画像再構成と顔認証の保存を必要とする課題である。 LAFRは,LQ画像の潜時分布とHQ画像の潜時分布を一致させる,新しいコードブックベースの潜時空間アダプタである。 FFHQデータセットのわずか0.9%での拡散の軽量な微調整は、最先端の手法に匹敵する結果を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-05-29T14:11:16Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• One-Step Effective Diffusion Network for Real-World Image Super-Resolution [11.326598938246558]
  本稿では,Real-ISR問題に対する1ステップの効果的な拡散ネットワーク,すなわちOSEDiffを提案する。 トレーニング可能な層で事前学習した拡散ネットワークを微調整し、複雑な画像劣化に適応する。 我々のOSEDiffモデルは1つの拡散ステップでHQイメージを効率よく効果的に生成できる。
  論文  参考訳（メタデータ） (2024-06-12T13:10:31Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved Diffusion Models [38.74983301496911]
  ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。 既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。 本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T17:15:05Z)
• A Dive into SAM Prior in Image Restoration [40.03648504115027]
  画像復元(IR)の目的は、その劣化した低品質(LQ)観測から高品質(HQ)イメージを復元することである。 本稿では,既存のIRネットワークにセマンティックプリエントを組み込む軽量SAMプリエントチューニング(SPT)ユニットを提案する。 我々の手法で唯一訓練可能なモジュールとして、SPTユニットは効率とスケーラビリティの両方を改善する可能性がある。
  論文  参考訳（メタデータ） (2023-05-23T02:31:06Z)

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。