論文の概要: Ultra-High-Definition Restoration Transformers with Correlation Matching Transformation

• arxiv url: http://arxiv.org/abs/2608.20263v1
• Date: Tue, 18 Aug 2026 20:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.655742
• Title: Ultra-High-Definition Restoration Transformers with Correlation Matching Transformation
• Title（参考訳）: 相関整合変換を用いた超高精細復元変換器
• Abstract要約: UHDformer++は、UHD(Ultra-High-Definition)イメージ復元タスクを解決するトランスフォーマーベースのフレームワークである。 1)マルチレベル特徴抽出のための高分解能空間(HR)、2)コンパクトで代表的な特徴を学習するための低分解能空間(LR)、3)低分解能特徴をSRからアップするための超分解能空間(SR)、そして4)最終画像復元のための低分解能融合再生空間(LHFR)である。
• 参考スコア（独自算出の注目度）: 113.23094779244771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose UHDformer++, a general Transformer-based framework to solve numerous Ultra-High-Definition (UHD) image restoration tasks. UHDformer++ operates across $4$ coordinated learning spaces: 1) a high-resolution space (HR) for multi-level feature extraction, 2) a low-resolution space (LR) for learning compact, representative features, 3) a super-resolution space (SR) for upsampling low-resolution features from SR, and 4) a low-high fusion and reconstruction space (LHFR) for final image restoration. Specifically, HR extracts multi-scale high-resolution features and fuses them with low-resolution cues to produce residual images, while LR distills complementary representations from HR to improve restoration quality. To supply LHFR with richer features, SR super-resolves LR outputs before fusion. We further introduce two modules to bridge the high- and low-resolution spaces. The Feature-Refined Correlation Matching Transformation (FR-CMT) module selects the top $C/r~(C~\text{denotes the number of channels;~}r\geq1~\text{controls the squeezing level})$, from the fusion between max- and mean-pooled high-resolution features to replace less informative channels in the low-resolution Transformer. The Adaptive Channel Modulator (ACM) adaptively recalibrates multi-scale high-resolution features, ensuring that only task-relevant information propagates to LR. Extensive experiments demonstrate that UHDformer++ reduces model parameters by at least 86\% compared with recent state-of-the-art methods while achieving substantial performance gains across $5$ UHD restoration tasks, including low-light image enhancement, dehazing, deblurring, deraining, and desnowing. Code will be released at https://github.com/supersupercong/uhdformerplus.
• Abstract（参考訳）: UHD(Ultra-High-Definition)画像復元タスクを多用する汎用トランスフォーマーベースのフレームワークであるUHDformer++を提案する。 UHDformer++は4ドルの協調学習スペースで動作します。 1)多段階特徴抽出のための高分解能空間(HR) 2)コンパクトで代表的特徴を学習するための低解像度空間(LR) 3)SRから低解像度特徴を増幅する超解像空間(SR) 4) 最終像復元のための低高度核融合再生空間(LHFR)。 具体的には、HRはマルチスケールの高解像度の特徴を抽出し、それらを低解像度のキューで融合して残像を生成するのに対し、LRはHRから相補的な表現を蒸留して復元品質を向上させる。 よりリッチな特徴をLHFRに供給するために、SRは融合前にLR出力を超分解する。 さらに、高分解能空間と低分解能空間を橋渡しする2つのモジュールを導入する。 Feature-Refined correlation Matching Transformation (FR-CMT)モジュールは、最上位の$C/r~(C~\text{denotes the number of channel;~}r\geq1~\text{controls the squeezing level})$、最大値と平均値の高分解能な特徴の融合から、低分解能トランスフォーマーの少ない情報チャネルを置き換えるために、上位の$C/r~(C~\text{denotes the number of channel;~}r\geq1~\text{controls the squeezing level})を選択する。 Adaptive Channel Modulator (ACM)は、マルチスケールの高解像度機能を適応的に再検討し、タスク関連情報のみLRに伝播することを保証する。 大規模な実験によると、UHDformer++は、最近の最先端の手法と比較してモデルパラメータを少なくとも86%削減し、低照度画像の強化、デハージング、デブロアリング、デラリニング、デザートといった5ドルのUHD復元タスクで大幅なパフォーマンス向上を実現している。 コードはhttps://github.com/supersupercong/uhdformerplusでリリースされる。

関連論文リスト

• Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
  Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。 本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T13:43:57Z)
• Correlation Matching Transformation Transformers for UHD Image Restoration [46.569124456928535]
  本稿では,UHD画像復元のための汎用変換器を提案する。 UHDformerには、(a)高分解能空間での学習と(b)低分解能空間での学習の2つの学習空間がある。 実験の結果、UHDformerは最先端の手法と比較して約97%のモデルサイズを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-06-02T06:10:48Z)
• Latent Modulated Function for Computational Optimal Continuous Image Representation [20.678662838709542]
  連続画像表現のための新しい遅延変調レンダリング(LMF)アルゴリズムを提案する。 本稿では,既存のINR法をLMFに変換することにより,計算コストを最大99.9%削減できることを示す。 実験により、既存のINRベースのメソッドをLMFに変換することで、推論を57倍まで削減し、最大76%のパラメータを節約できることが示された。
  論文  参考訳（メタデータ） (2024-04-25T09:30:38Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
  深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。 SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。 本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
  論文  参考訳（メタデータ） (2022-07-16T12:46:10Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)
• Super-Resolution of Real-World Faces [3.4376560669160394]
  実の低解像度 (LR) の顔画像は、変わらず複雑で既知のダウンサンプリングカーネルによってキャプチャされる劣化を含んでいる。 本稿では,特徴抽出モジュールがLR画像からロバストな特徴を抽出する2つのモジュール超解像ネットワークを提案する。 我々は、劣化GANを訓練し、双対的に縮小されたクリーン画像を実際の劣化画像に変換し、得られた劣化LR画像と、そのクリーンLR画像とを補間する。
  論文  参考訳（メタデータ） (2020-11-04T17:25:54Z)

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。