論文の概要: Beyond Uniform Restoration: Empowering All-in-One Restoration with Pixel-Level Multimodal Guidance

• arxiv url: http://arxiv.org/abs/2608.09482v1
• Date: Mon, 10 Aug 2026 11:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.243391
• Title: Beyond Uniform Restoration: Empowering All-in-One Restoration with Pixel-Level Multimodal Guidance
• Title（参考訳）: 完全一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一眼
• Abstract要約: MGN-AIRはオールインワン画像復元のための新しいピクセルレベルの復元フレームワークである。 我々のアプローチはまず、ピクセルレベルの視覚的プロンプトを推定することを学ぶ。 そして、テキストと視覚の両方のプロンプトを利用して、グローバルおよびローカルな劣化手段を提供する。
• 参考スコア（独自算出の注目度）: 6.886139429160757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-in-one image restoration is a unified low-level vision task that aims to effectively recover high-quality images from inputs degraded by various types and levels of corruption using a single model. Recent works have achieved remarkable progress by learning degradation-adaptive prompts or network architectures. However, these methods typically apply a uniform restoration strategy across the entire image, neglecting the fact that different regions may suffer from distinct degradation types and varying degrees of severity. In contrast, we propose to perform restoration at the pixel level, thereby enabling more fine-grained and precise control over the restoration process. Specifically, we present MGN-AIR, a novel pixel-level restoration framework for all-in-one image restoration. Our approach first learns to estimate a pixel-level visual prompt. Then, it leverages both textual and visual prompts to provide global and local degradation cues, guiding the model on where to look and how to restore at each pixel. We conduct extensive experiments on multiple all-in-one image restoration benchmarks, covering a wide range of tasks including denoising, deraining, deblurring, dehazing, desnowing, and low-light enhancement. Experimental results demonstrate that our proposed method consistently and significantly outperforms existing approaches.
• Abstract（参考訳）: オール・イン・ワン・イメージ・リカバリ(All-in-one image restoration)は、様々なタイプの画像と、単一のモデルを用いて劣化レベルによって劣化した入力から、高品質な画像を効果的に復元することを目的とした、統一された低レベル視覚タスクである。 最近の研究は、劣化適応型プロンプトやネットワークアーキテクチャを学ぶことで、目覚ましい進歩を遂げた。 しかし、これらの手法は通常、画像全体にわたって一様復元戦略を適用し、異なる領域が異なる劣化タイプと重度の変化に悩まされていることを無視する。 対照的に、我々は画素レベルでの復元を行うことを提案し、これにより、よりきめ細やかな復元プロセスの制御が可能となる。 具体的には,オールインワン画像復元のための新しいピクセルレベルの復元フレームワークMGN-AIRを提案する。 我々のアプローチはまず、ピクセルレベルの視覚的プロンプトを推定することを学ぶ。 そして、テキストと視覚の両方のプロンプトを利用して、グローバルかつ局所的な劣化の手がかりを提供し、各ピクセルのどの位置とどのように復元するかのモデルを導く。 我々は,複数のオールインワン画像復元ベンチマークを広範囲に実施し,脱臭,脱臭,脱臭,脱光,低照度化など幅広いタスクをカバーした。 実験の結果,提案手法は既存の手法よりも一貫して,はるかに優れていることがわかった。

関連論文リスト

• Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
  画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力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。 本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。 具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
  論文  参考訳（メタデータ） (2026-03-27T13:13:44Z)
• UIR-LoRA: Achieving Universal Image Restoration through Multiple Low-Rank Adaptation [50.27688690379488]
  既存の統合手法は、マルチタスク学習問題として、多重劣化画像復元を扱う。 本稿では,複数のローランクアダプタ(LoRA)をベースとした汎用画像復元フレームワークを提案する。 本フレームワークは, 学習前の生成モデルを多段劣化復元のための共有コンポーネントとして利用し, 特定の劣化画像復元タスクに転送する。
  論文  参考訳（メタデータ） (2024-09-30T11:16:56Z)
• InstructIR: High-Quality Image Restoration Following Human Instructions [61.1546287323136]
  本稿では,人間の手書きによる画像復元モデルを導出する手法を提案する。 InstructIRという手法は、いくつかの修復作業において最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-01-29T18:53:33Z)
• Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild [57.06779516541574]
  SUPIR (Scaling-UP Image Restoration) は、生成前処理とモデルスケールアップのパワーを利用する、画期的な画像復元手法である。 モデルトレーニングのための2000万の高解像度高画質画像からなるデータセットを収集し、それぞれに記述的テキストアノテーションを付加する。
  論文  参考訳（メタデータ） (2024-01-24T17:58:07Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
  我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。 本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。 PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
  論文  参考訳（メタデータ） (2023-06-22T17:59:52Z)

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。