論文の概要: CoDe-SSM: Context-Detail Decoupled State Space Model for Efficient UHD Image Restoration

• arxiv url: http://arxiv.org/abs/2607.29595v1
• Date: Fri, 31 Jul 2026 16:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.795743
• Title: CoDe-SSM: Context-Detail Decoupled State Space Model for Efficient UHD Image Restoration
• Title（参考訳）: CoDe-SSM: 効率的なUHD画像復元のためのコンテキスト詳細デカップリング状態空間モデル
• Abstract要約: 超高精細画像復元(UHD)は、空間的に繰り返される劣化キューの集合と局所的な画像構造の保存のバランスをとる必要がある。 既存のアプローチでは、ダウンサンプリング、ウィンドウパーティショニング、クラスタベースのトークン削減を通じて、UHD復元コストを管理している。 UHD復元のためのコンテキスト詳細分離状態空間モデル(CoDe-SSM)を提案する。
• 参考スコア（独自算出の注目度）: 30.437115204992946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-high-definition (UHD) image restoration must balance the aggregation of spatially recurring degradation cues with the preservation of localized image structures. Compact aggregation can reduce redundant processing but may attenuate edges, textures, and other fine structures. Existing approaches manage UHD restoration cost through downsampling, window partitioning, or cluster-based token reduction; yet many of them do not explicitly retain information that is poorly represented by shared aggregation. In this study, we propose a Context-Detail Decoupled State Space Model (CoDe-SSM) for UHD restoration, which processes aggregated context and clustering residuals in separate pathways. The context modeling pathway, implemented by the Global Cluster Scan Module (GCSM), aggregates features into $K$ input-dependent cluster centers and applies selective SSM reasoning over the resulting fixed-order sequence, enabling cross-region context sharing while decoupling computational cost from spatial resolution. The detail recovery pathway, implemented by the Local High-Frequency Module (LHFM), processes the clustering residual with an input-derived high-frequency mask and a sparse mixture of convolutional experts. Extensive experiments on five UHD benchmarks and five degradation types demonstrate that our explicit context-detail decoupling strategy yields substantial gains in restoration quality while maintaining desirable efficiency.
• Abstract（参考訳）: 超高精細画像復元(UHD)は、空間的に繰り返される劣化キューの集合と局所的な画像構造の保存のバランスをとる必要がある。 コンパクトアグリゲーションは冗長な処理を削減できるが、エッジ、テクスチャ、その他の微細構造を弱める可能性がある。 既存のアプローチでは、ダウンサンプリング、ウィンドウパーティショニング、クラスタベースのトークン削減を通じてUHD復元コストを管理している。 本研究では,UHD復元のためのコンテキスト詳細分離状態空間モデル(CoDe-SSM)を提案する。 Global Cluster Scan Module (GCSM)によって実装されたコンテキストモデリングパスは、機能を$K$の入力依存クラスタセンターに集約し、結果の固定順序シーケンスに対して選択的なSSM推論を適用し、空間解像度から計算コストを分離しながら、クロスコンテキストのコンテキスト共有を可能にする。 局所高周波モジュール(LHFM)によって実装された詳細回復経路は、入力由来の高周波マスクと、畳み込みの専門家のスパース混合物でクラスタリング残余を処理する。 5つのUHDベンチマークと5つの劣化型に関する大規模な実験により、我々の明示的な文脈-詳細デカップリング戦略は、望ましい効率を維持しつつ、回復品質を大幅に向上させることを示した。

関連論文リスト

• QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration [20.33280733198936]
  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。
  論文  参考訳（メタデータ） (2026-07-16T15:10:00Z)
• MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration [15.897294007874898]
  MG-SpaIRは、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。 分解能グレードにまたがる再構成を段階的に洗練する多品位粗い残留階層を導入する。 混合劣化ベンチマークの実験は、MG-SpaIRが強いトレーニングデータのないベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-30T20:17:37Z)
• SP-MoMamba: Superpixel-driven Mixture of State Space Experts for Efficient Image Super-Resolution [99.56535031145211]
  状態空間モデル(SSM)は、効率的な単一画像超解像(SR)のための強力なパラダイムとして登場した。 我々は、コンテント対応SRのための状態空間の専門家による超ピクセル駆動の混合である textbfSP-MoMamba を提案する。 私たちの中核となる考え方は、従来の剛性スキャンを、スーパーピクセルを基本単位として扱うことによって、テキストのセマンティックなレベルのインタラクションに変換することです。
  論文  参考訳（メタデータ） (2026-05-25T14:19:59Z)
• Multimodal Distribution Matching for Vision-Language Dataset Distillation [50.411341509805936]
  マルチモーダル分散マッチング(Multimodal Distribution Matching)は、効率的かつ一般化可能なマルチモーダル蒸留のための幾何学的枠組みである。 MDMはデータ、モデル、損失レベルで補完的なコンポーネントを統合する。 マルチモーダルなセマンティクスを保存し、蒸留コストを大幅に削減し、建築全体にわたって頑丈な、コンパクトな合成セットを生成する。
  論文  参考訳（メタデータ） (2026-05-22T10:41:58Z)
• Deep Global Clustering for Hyperspectral Image Segmentation: Concepts, Applications, and Open Challenges [1.9116784879310027]
  ハイパースペクトルイメージング(HSI)解析は、利用可能なメモリを超える大量のデータ量のために計算ボトルネックに直面している。 本稿では,メモリ効率の高いHSIセグメンテーションの概念フレームワークであるDeep Global Clustering (DGC)について述べる。 DGCは、重複するリージョンを持つ小さなパッチを使用して一貫性を強制し、コンシューマハードウェア上で30分未満のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-12-30T12:10:43Z)
• 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)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Dynamic Memory-enhanced Transformer for Hyperspectral Image Classification [3.5093938502961763]
  ハイパースペクトル画像(HSI)分類は、複雑な空間スペクトル相関のため、依然として困難な課題である。 既存のトランスモデルは、長距離依存を捉えるのに優れているが、情報冗長性と注意力の非効率さに悩まされることが多い。 MemFormerは、動的メモリモジュールを反復的に洗練するメモリ強化型マルチヘッドアテンションメカニズムを導入している。 動的メモリ富化戦略は、複雑な空間的およびスペクトル的依存関係を段階的にキャプチャし、より表現力のある特徴表現をもたらす。
  論文  参考訳（メタデータ） (2025-04-17T17:43:34Z)
• Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction [16.975538181162616]
  本研究では,暗黙的ニューラル表現を用いた連続型ハイパースペクトル画像再構成法を提案する。 暗黙的な神経表現を活用することで、MGIRフレームワークは任意の望まれる空間スペクトル分解能の再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-17T03:37:42Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)

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。