論文の概要: CoRE-UIR: Prior-guided common and residual experts for efficient all-in-one remote sensing image restoration

• arxiv url: http://arxiv.org/abs/2607.27898v1
• Date: Thu, 30 Jul 2026 09:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.482087
• Title: CoRE-UIR: Prior-guided common and residual experts for efficient all-in-one remote sensing image restoration
• Title（参考訳）: CoRE-UIR:高効率オールインワンリモートセンシング画像復元のための先導型一般・残留専門家
• Abstract要約: CoRE-UIR(Common and Residual Experts for Universal Image Restoration)は、Common-and-Residual Expert Block(CoRE)を中心とした先進的なグローバルローカルフレームワークである。 CoREは、回復能力を、劣化不変の回復のための一般的な高密度専門家と、劣化特異的な補償のための低レベルの残留専門家に分解し、冗長な専門家複製なしで適応的な特殊化を可能にする。 実験の結果、CoRE-UIRは平均PSNRを1.05dB改善し、11.83$times$高速に動作し、ピークメモリを85.3%削減した。
• 参考スコア（独自算出の注目度）: 23.98937821382067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing images acquired by unmanned aerial vehicles (UAVs) and satellites are often degraded by adverse weather, illumination variation, and imaging artifacts, which may co-occur and jointly induce global distribution shifts and local structural corruption. Although All-in-One image restoration offers an appealing unified alternative to task-specific pipelines, existing methods still suffer from weak or implicit degradation cues and parameter redundancy caused by full-rank multi-expert designs with overlapping restoration behaviors. We propose CoRE-UIR (Common and Residual Experts for Universal Image Restoration), a prior-guided global-local framework centered on the Common-and-Residual Expert Block (CoRE). CoRE explicitly decomposes restoration capacity into a common dense expert for degradation-invariant restoration and low-rank residual experts for degradation-specific compensation, enabling adaptive specialization without redundant expert replication. Built on this design, Degradation Prior Embedding (DPE) adapts frozen CLIP features into an explicit restoration-oriented prior, while Global Feature Modulation (GFM) aligns global feature statistics before local residual compensation. We also construct MDVD-108K (Multi-Degradation VisDrone), a large-scale UAV restoration dataset covering both single and compound degradations, together with a real-world test set. Extensive experiments on multiple datasets show that CoRE-UIR improves the overall average PSNR by 1.05 dB while running 11.83$\times$ faster and reducing peak memory by 85.3% relative to the strongest baseline, BaryIR, thereby maintaining a favorable quality-efficiency trade-off. Evaluations on downstream tasks and unseen degradation also validate the generalizability of CoRE-UIR. The code and dataset will be released at https://github.com/zzaiyan/CoRE-UIR.
• Abstract（参考訳）: 無人航空機(UAV)と衛星によって取得されたリモートセンシング画像は、悪天候、照明のばらつき、画像のアーティファクトによって劣化することが多い。 All-in-Oneイメージ復元はタスク固有のパイプラインに代わる魅力的な統一的な代替手段を提供するが、既存の手法は依然として、重複した復元動作を持つフルランクのマルチエキスパート設計によって引き起こされた、弱いまたは暗黙の劣化キューとパラメータ冗長性に悩まされている。 CoRE-UIR (Common and Residual Experts for Universal Image Restoration) は,Common-and-Residual Expert Block (CoRE) を中心とした先進的なグローバルローカルフレームワークである。 CoREは、回復能力を、劣化不変の回復のための一般的な密集した専門家と、劣化特異的な補償のための低ランクの残留専門家に明示的に分解し、冗長な専門家の複製なしに適応的な特殊化を可能にする。 この設計に基づいて構築されたDegradation Prior Embedding (DPE)は、凍結したCLIP機能を明示的な復元指向のプリエンプションに適合させ、Global Feature Modulation (GFM)は、局所的な残留補償の前にグローバルな特徴統計を調整する。 MDVD-108K (Multi-Degradation VisDrone) は、単体および複体両方の劣化をカバーした大規模UAV復元データセットである。 複数のデータセットに対する大規模な実験により、CoRE-UIRは平均PSNRを1.05dB改善し、11.83$\times$を高速に実行し、ピークメモリを85.3%削減した。 下流タスクと見えない劣化の評価は、CoRE-UIRの一般化可能性も検証する。 コードとデータセットはhttps://github.com/zzaiyan/CoRE-UIR.comで公開される。

関連論文リスト

• 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)
• Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration [41.34371852767098]
  CEAは、オールインワン画像復元のためのトークン単位の動的パラメータ化フレームワークである。 CEAは、強力なプロンプト、ディスクリプタ、エキスパートベースのベースラインよりも平均的な復元品質を改善します。
  論文  参考訳（メタデータ） (2026-05-07T12:31:24Z)
• Compositional-Degradation UAV Image Restoration: Conditional Decoupled MoE Network and A Benchmark [27.358052049742764]
  UAV画像は、大面積マッピング、インフラ検査、緊急応答などのアプリケーションに重要である。 現実の飛行環境では、雨や迷路、騒音など、複数の劣化要因によって単一の画像が影響を受けることが多い。 DAME-Netは、劣化条件付き再構成から明確な劣化知覚を分離する、劣化認識用混合処理ネットワークである。
  論文  参考訳（メタデータ） (2026-04-10T13:27:39Z)
• M2IR: Proactive All-in-One Image Restoration via Mamba-style Modulation and Mixture-of-Experts [38.201178244663765]
  M2IRは、符号化段階における劣化伝播を制御し、復号過程における残留劣化を効率的に除去する。 Mamba-Style Transformer (MST) ブロックは、劣化を緩和するために画素ワイズ選択状態変調を行う。 Adaptive Degradation Expert Collaboration (ADEC)モジュールはDA-CLIP駆動ルータによってガイドされ、共有専門家によって補完され、劣化を除去する。
  論文  参考訳（メタデータ） (2026-03-16T04:37:29Z)
• UnSCAR: Universal, Scalable, Controllable, and Adaptable Image Restoration [20.447922377156143]
  ユニバーサル画像復元は、任意の現実世界の劣化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。 既存のオールインワン復元ネットワークは、複数の劣化にスケールしない。 本稿では,専門的なタスク適応型エキスパート間での復元知識を分解する,エキスパートの混在した統合推論パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-08T01:35:54Z)
• 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)
• 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)
• GENRE-CMR: Generalizable Deep Learning for Diverse Multi-Domain Cardiac MRI Reconstruction [0.8749675983608171]
  本稿では,GAN(Generative Adversarial Network)ベースのアーキテクチャであるGENRE-CMRを提案する。 実験により、GENRE-CMRはトレーニングおよび未確認データに関する最先端の手法を超越し、未確認の分布に対して 0.9552 SSIM と 38.90 dB PSNR を達成したことが確認された。 我々のフレームワークは、高品質なCMR再構成のための統一的で堅牢なソリューションを提供し、不均一な取得プロトコルをまたいだ臨床適応可能なデプロイメントの道を開く。
  論文  参考訳（メタデータ） (2025-08-28T09:43:59Z)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• Chain-of-Restoration: Multi-Task Image Restoration Models are Zero-Shot Step-by-Step Universal Image Restorers [53.298698981438]
  本稿では,UIR(Universal Image Restoration)という新たなタスク設定を提案する。 UIRは、すべての劣化組み合わせのトレーニングを必要とせず、一連の劣化基だけに限って、これらの基がゼロショットで構成できる可能性のある劣化を取り除く。 本稿では,未知の複合劣化を段階的に除去するモデルをモデルに指示する,CoR(Chain-of-Restoration)機構を提案する。
  論文  参考訳（メタデータ） (2024-10-11T10:21:42Z)

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。