論文の概要: What to Remove, What to Preserve: Dual-Ambiguity Rectification for All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2607.28526v1
• Date: Thu, 30 Jul 2026 17:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.6838
• Title: What to Remove, What to Preserve: Dual-Ambiguity Rectification for All-in-One Image Restoration
• Title（参考訳）: 修復すべきことと保存すべきこと:オールインワン画像復元のためのデュアルアンビグニティ法
• Abstract要約: 本稿では,オールインワン画像復元のためのDAR-Netを提案する。 DAR-Netはまず、単純なx制約のアーチタイプ混合モデリングにより構造化された劣化状態を導入する。 Semantic Ambiguity Rectification (SeAR)モジュールはデコーダのチャネルワイドコンディショニングを改善するための劣化認識プロンプトを生成する。
• 参考スコア（独自算出の注目度）: 22.756769058194788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-in-one image restoration aims to handle diverse degradations within a unified framework. Existing methods commonly encode heterogeneous degradation conditions in a shared latent space, where degradation-related cues and scene content can remain entangled. We characterize the resulting challenge as dual ambiguity: semantic ambiguity in channel-wise modulation and spatial ambiguity in restoration responses, which can lead to content corruption and residual artifacts. To mitigate this issue, we propose DAR-Net, a Dual-Ambiguity Rectification Network for all-in-one image restoration. DAR-Net first introduces a Degradation Archetype Representation (DAR) module to construct a structured degradation state through simplex-constrained archetype mixture modeling. Based on this state, a Semantic Ambiguity Rectification (SeAR) module generates degradation-aware prompts to improve channel-wise conditioning in the decoder. A Spatial Ambiguity Rectification (SpAR) module further regularizes degradation-aware and complementary features toward orthogonal response subspaces, reducing spatial interference between removal and preservation cues. Extensive experiments on standard all-in-one restoration benchmarks show that DAR-Net achieves the best overall performance under both three-degradation and five-degradation settings, improving the average PSNR over the strongest competitor by 0.14 dB and 0.34 dB, respectively; it additionally shows superior performance on CDD-11 and WeatherBench.
• Abstract（参考訳）: All-in-oneイメージ復元は、統一されたフレームワーク内で多様な劣化を処理することを目的としている。 既存の手法では、分解関連キューやシーン内容が絡み合うような、共有潜在空間における不均一な劣化条件を符号化する。 チャネルワイド変調における意味的あいまいさと復元応答における空間的あいまいさの2つの曖昧さを特徴とする。 この問題を軽減するために,オールインワン画像復元のためのDAR-Netを提案する。 DAR-Netはまずデグレーションアーチタイプ表現(DAR)モジュールを導入し、単純なx制約のアーチタイプ混合モデリングにより構造化された劣化状態を構築する。 この状態に基づいて、Semantic Ambiguity Rectification (SeAR)モジュールはデコーダのチャネルワイドコンディショニングを改善するための劣化認識プロンプトを生成する。 空間曖昧度補正(Spatial Ambiguity Rectification, SPAR)モジュールは、直交応答部分空間に対する劣化認識と相補的特徴をさらに規則化し、除去と保存の間の空間的干渉を減らす。 DAR-Netは3段落と5段落の両方で最高の総合的な性能を達成し、それぞれ0.14dBと0.34dBの平均PSNRを改善し、CDD-11とWeatherBenchでは優れた性能を示した。

関連論文リスト

• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• 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)
• Degradation-Aware Adaptive Context Gating for Unified Image Restoration [57.06559692537862]
  単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 DACG-IRは,劣化特性を明瞭に認識し,特徴表現を動的に変調する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-02T04:18:43Z)
• 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)
• 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)
• Degradation-Aware All-in-One Image Restoration via Latent Prior Encoding [46.146259918814735]
  現実のイメージはしばしば、ヘイズ、雨、雪、低光といった空間的に多様な劣化に悩まされる。 既存のオールインワンの復元アプローチは、外部のテキストプロンプトに依存するか、手作りのアーキテクチャの先行を組み込むかのいずれかである。 劣化認識表現が自動的に入力から推測されるような、学習済みの事前推論としてAIRを再設計することを提案する。
  論文  参考訳（メタデータ） (2025-09-22T13:51:09Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した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。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• Cross-Consistent Deep Unfolding Network for Adaptive All-In-One Video Restoration [78.14941737723501]
  オールインワンVRのためのクロスコンセントディープ・アンフォールディング・ネットワーク(CDUN)を提案する。 2つのカスケード手順を編成することにより、CDUNは様々な劣化に対する適応的な処理を達成する。 さらに、より隣接するフレームからの情報を活用するために、ウィンドウベースのフレーム間融合戦略を導入する。
  論文  参考訳（メタデータ） (2023-09-04T14:18:00Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)

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。