論文の概要: DPC-Net: Dual-Prior Collaborative Network for All-in-One Image Restoration
- arxiv url: http://arxiv.org/abs/2608.20141v1
- Date: Thu, 20 Aug 2026 15:04:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.619077
- Title: DPC-Net: Dual-Prior Collaborative Network for All-in-One Image Restoration
- Title（参考訳）: DPC-Net:オールインワン画像復元のためのデュアルピア協調ネットワーク
- Abstract要約: 本稿では、劣化した画像を復元するための新しいDual-Prior Collaborative Network(DPC-Net)を提案する。
DPC-Netは劣化セマンティック結合された先行と低レベルの視覚的先行を利用する。
複数の復元ベンチマークの実験により、DPC-Netは最先端のAiOIR法に対して優れた性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 29.05613521811981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All-in-One Image Restoration (AiOIR) aims to handle diverse degradations within a unified model. However, existing methods often overlook image semantics in degradation modeling and lack low-level visual priors during reconstruction, leading to structural distortions and semantic inconsistencies. To address these issues, we propose a novel Dual-Prior Collaborative Network (DPC-Net), which achieves high-quality restoration by jointly exploiting degradation-semantic coupled priors and low-level visual priors. Specifically, degraded images are fed into a Degradation-Aware Network (DAN) to extract degradation-semantic coupled features. To this end, a Vision-Language Model (VLM) supervises DAN by constraining its features distribution, introducing image semantics into the encoding of degradation patterns. A Degradation-Semantic Modulation Module (DSMM) further translates this guidance into degradation-semantic coupling and propagates coupled representations to the decoder. During decoding, knowledge bases provide low-level visual priors, and the Dual-Prior Collaborative Reconstruction Module (DPCR) integrates dual-prior information to guide degradation removal while preserving structure and semantics, producing high-fidelity restored images. Extensive experiments on multiple restoration benchmarks demonstrate that DPC-Net achieves superior performance against state-of-the-art AiOIR methods.
- Abstract（参考訳）: All-in-One Image Restoration (AiOIR) は、統一されたモデル内での多様な劣化を処理することを目的としている。
しかし、既存の手法は、劣化モデリングにおける画像意味論を見落とし、再構成中に低レベルの視覚的先行性を欠いているため、構造的歪みや意味的矛盾につながることが多い。
これらの課題に対処するために、劣化・連続結合した先行と低レベルの視覚的先行を共同で活用することにより、高品質な回復を実現する新しいDual-Prior Collaborative Network(DPC-Net)を提案する。
具体的には、劣化画像が劣化認識ネットワーク(DAN)に入力され、劣化意味結合された特徴を抽出する。
この目的のために、VLM(Vision-Language Model)はその特徴分布を制限し、劣化パターンの符号化に画像意味論を導入することで、DANを監督する。
Degradation-Semantic Modulation Module (DSMM)は、さらにこのガイダンスを分解-意味的結合に変換し、結合した表現をデコーダに伝播させる。
復号中、知識ベースは低レベルの視覚的先行情報を提供し、DPCR(Dual-Prior Collaborative Restruction Module)は、構造とセマンティクスを保存しながら、分解をガイドする二重プライア情報を統合し、高忠実な復元画像を生成する。
複数の復元ベンチマークにおいて、DPC-Netは最先端のAiOIR法に対して優れた性能を発揮することを示した。
関連論文リスト
- Degradation-Aware Prompt Learning with Cross-Modal Compensation for Adverse Weather Removal [56.34780145346335]
Degradation-Aware Cross-Modal Prompt Compensation Network (DCMPC-Net)
DCMPC-Netは、CMPG(Cross-Modal Prompt Generator)、PGAAM(Prompt-Guided Attention Alignment Module)、DFCM(Dual Feature Compensation Module)で構成される。
実験により、DCMPC-Netはタスク固有の設定と統一された設定の両方で最先端のメソッドより優れていることが示された。
論文 参考訳（メタデータ） (2026-08-07T08:13:40Z) - 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) - 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) - UniV2D: Bridging Visual Restoration and Semantic Perception for Underwater Salient Object Detection [71.83097731030254]
視覚的回復と有能な物体検出を協調的に最適化するUnified Vision-to-Detection Network (UniV2D)を提案する。
UniV2Dは、セマンティック駆動学習パラダイムを導入している。
定量評価と定性評価の両方において最先端の手法を著しく上回る。
論文 参考訳（メタデータ） (2026-05-08T02:31:45Z) - 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) - Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。
本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
論文 参考訳（メタデータ） (2025-04-14T08:24:57Z) - A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing [5.6223397629993626]
HDI-PRNetは高次劣化画像のプログレッシブ復元ネットワークである。
本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
論文 参考訳（メタデータ） (2024-12-10T05:08:39Z) - Training-Free Large Model Priors for Multiple-in-One Image Restoration [24.230376300759573]
大型モデル駆動画像復元フレームワーク(LMDIR)
我々のアーキテクチャは、グローバルな劣化知識を注入するクエリベースのプロンプトエンコーダ、分解対応トランスフォーマーブロックで構成されている。
この設計は、自動修復とユーザガイド修復の両方をサポートしながら、様々な劣化に対処するためのシングルステージトレーニングパラダイムを促進する。
論文 参考訳（メタデータ） (2024-07-18T05:40:32Z) - 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) - DRM-IR: Task-Adaptive Deep Unfolding Network for All-In-One Image
Restoration [5.573836220587265]
本研究は,効率的な動的参照モデリングパラダイム(DRM-IR)を提案する。
DRM-IRはタスク適応型劣化モデリングとモデルベースの画像復元で構成されている。
複数のベンチマークデータセットの実験は、DRM-IRがAll-In-One IRで最先端のIRを達成することを示している。
論文 参考訳（メタデータ） (2023-07-15T02:42:19Z) - Panini-Net: GAN Prior Based Degradation-Aware Feature Interpolation for
Face Restoration [4.244692655670362]
Panini-Netは、顔修復のための劣化認識機能ネットワークである。
抽象表現を学び、様々な劣化を区別する。
マルチ劣化顔復元と超解像のための最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-16T07:41:07Z)
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。