論文の概要: Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration

• arxiv url: http://arxiv.org/abs/2608.06832v1
• Date: Fri, 07 Aug 2026 05:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.371347
• Title: Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration
• Title（参考訳）: ベンド・ザ・ベーシック:オールインワン画像復元のための変形性トークン化
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.64498743287601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-in-one image restoration seeks a single model that can recover images degraded by diverse and spatially non-uniform corruptions. However, many unified Transformers rely on fixed patch partitioning: task/degradation condition is injected only into the backbone blocks after tokenization, leaving the embedding and reconstruction stages insensitive to local degradation variations. In contrast to previous approaches, we present Flexible Image Transformer (FIT) that explicitly models degradation awareness across the entire pipeline, from patch sampling to pixel reconstruction. Specifically, FIT employs a lightweight Degradation Encoder to predict a global degradation vector $\mathbf{g}$ and a spatial degradation map $\mathbf{M}$ from local degradation severity, which jointly condition the patch embedding and unembedding through adaptive deformation. Moreover, to improve robustness across degradation types, we introduce a task-token dropout strategy that regularizes task conditioning during training. On five standard benchmarks (BSD68, Rain100L, SOTS, GoPro, and LOLv1), FIT achieves state-of-the-art performance with 30.72 dB average PSNR on the five-degradation setting and 32.83 dB on the three-degradation setting, outperforming recent unified restoration methods by +0.5$\sim$1.1 dB. Moreover, the learned offsets provide a direct handle for visualizing degradation-aware spatial adaptation.
• Abstract（参考訳）: 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。 しかし、多くの統合トランスフォーマーは固定パッチパーティショニングに依存しており、タスク/劣化条件はトークン化後にバックボーンブロックにのみ注入され、埋め込みと再構築の段階は局所的な劣化のばらつきに敏感である。 従来のアプローチとは対照的に、パッチサンプリングからピクセル再構成まで、パイプライン全体にわたる劣化認識を明示的に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。 具体的には、FITは軽量な分解エンコーダを用いて、局所劣化重大度から大域劣化ベクトル $\mathbf{g}$ と空間劣化マップ $\mathbf{M}$ を予測する。 さらに, 劣化型間での堅牢性向上のために, トレーニング中のタスク条件の調整を行うタスク・ツー・ケント・ドロップアウト戦略を導入する。 5つの標準ベンチマーク(BSD68、Rain100L、SOTS、GoPro、LOLv1)では、FITは5段階のPSNRが30.72dB、3段階のPSNRが32.83dBで、最近の統一修復手法が0.5$\sim$1.1dBを上回っている。 さらに、学習されたオフセットは、劣化認識空間適応を可視化する直接的なハンドルを提供する。

関連論文リスト

• GraLoD: Graphics-Inspired Continuous Level-of-Detail Learning for Image Restoration [54.85451496831771]
  再生スケールを空間変化およびステージ依存変数として扱うプラグイン・アンド・プレイフレームワークであるGraLoDを提案する。 GraLoDはネイティブエンコーダ階層を再利用し、そのマルチスケール機能を共有LOD表現空間に整列し、デコーダの各段階でステージ条件付きLODフィールドを予測する。 実験はタスク固有とオールインワンの復元において一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-09-15T03:22:22Z)
• Restoring Without Forgetting: Continual Learning Across Image Degradations [6.288045889067255]
  画像復元の最近の進歩は、単一のネットワーク内で複数の劣化を共同処理するオールインワンアーキテクチャに集約されている。 実際には、フィールドデプロイシステムは徐々に新しい環境条件に直面しているため、分解が順次発生する。 連続的なドメイン・インクリメンタルな学習問題として,多段劣化画像復元を定式化する。
  論文  参考訳（メタデータ） (2026-08-24T20:04:18Z)
• What to Remove, What to Preserve: Dual-Ambiguity Rectification for All-in-One Image Restoration [22.756769058194788]
  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。
  論文  参考訳（メタデータ） (2026-07-30T17:01:24Z)
• 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)
• Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
  本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
  論文  参考訳（メタデータ） (2026-05-09T10:05:51Z)
• 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)
• 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)
• AllRestorer: All-in-One Transformer for Image Restoration under Composite Degradations [52.076067325999226]
  本稿では,新しいトランスフォーマーベースの復元フレームワークAllRestorerを提案する。 AllRestorerは、すべてのイメージ障害を適応的に考慮し、シーンディスクリプタのミスダイレクトによるエラーを避ける。 CDD-11データセットのベースラインと比較して,AllRestorerはPSNRの5.00dB増加を実現している。
  論文  参考訳（メタデータ） (2024-11-16T05:30:55Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

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。