論文の概要: UniDiffFusion: A Unified Diffusion Framework for Multi-Task and Degradation-Robust Image Fusion

• arxiv url: http://arxiv.org/abs/2608.21786v2
• Date: Mon, 31 Aug 2026 16:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.667059
• Title: UniDiffFusion: A Unified Diffusion Framework for Multi-Task and Degradation-Robust Image Fusion
• Title（参考訳）: UniDiffFusion:マルチタスク・デグレーション・ロバスト画像融合のための統一拡散フレームワーク
• Authors: Xingxin Xu, Siqi Zhao, Xin Li, Xinjie Yao, Yiming Sun, Pengfei Zhu,
• Abstract要約: 一般画像融合は、複数のソース画像から補完的な情報を統合することを目的としている。 既存の手法はしばしばタスク固有のモデルに依存し、様々な劣化条件下で堅牢な性能を維持するのに苦労する。 マルチタスクと劣化ロバスト画像融合のための統合拡散フレームワークUniDiffFusionを提案する。
• 参考スコア（独自算出の注目度）: 14.759665227535173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General image fusion aims to integrate complementary information from multiple source images, but existing methods often rely on task-specific models and struggle to maintain robust performance under diverse degradation conditions. In this paper, we propose UniDiffFusion, a unified diffusion framework for multi-task and degradation-robust image fusion. UniDiffFusion leverages the strong generative prior of a pretrained diffusion model to establish a shared fusion backbone across heterogeneous fusion tasks, while introducing task- and degradation-aware conditional adaptation to accommodate their distinct information-selection requirements. Specifically, we employ task prompt modulation to progressively adapt the shared diffusion representations to different fusion objectives, and develop a degradation prompt router to dynamically retrieve degradation-aware priors and restore corrupted source features before fusion. Furthermore, an application prompt bank is introduced to incorporate task-oriented semantic guidance for downstream applications, such as object detection and semantic segmentation, without altering the shared fusion and restoration pathways. The proposed framework is trained in a progressive manner to decouple fusion learning, degradation-aware restoration, and application-specific adaptation, thereby reducing interference among heterogeneous objectives. Extensive experiments on visible-infrared, multi-exposure, and multi-focus image fusion demonstrate that UniDiffFusion achieves superior fusion quality and robustness under both clean and degraded conditions. Moreover, UniDiffFusion consistently improves downstream detection and semantic segmentation performance, demonstrating its effectiveness as a unified diffusion framework for both perceptual fusion and task-oriented vision.
• Abstract（参考訳）: 一般的な画像融合は、複数のソース画像から補完的な情報を統合することを目的としているが、既存の手法はタスク固有のモデルに依存し、様々な劣化条件下で堅牢な性能を維持するのに苦労することが多い。 本論文では,マルチタスクと劣化ロバスト画像融合のための統合拡散フレームワークUniDiffFusionを提案する。 UniDiffFusionは、事前訓練された拡散モデルの強力な生成モデルを利用して、異種核融合タスクをまたいだ共有融合バックボーンを確立する。 具体的には、共有拡散表現を異なる融合目的に段階的に適応させるタスクプロンプト変調を採用し、劣化認識前処理を動的に回収する分解プロンプトルータを開発し、融合前に破損したソース特徴を復元する。 さらに、アプリケーションプロンプトバンクを導入して、オブジェクト検出やセマンティックセグメンテーションのような下流アプリケーションのためのタスク指向のセマンティックガイダンスを、共有融合や復元経路を変更することなく組み込む。 提案フレームワークは, 融合学習, 劣化認識回復, アプリケーション固有の適応を段階的に訓練することにより, 不均一な対象間の干渉を低減する。 可視赤外・マルチ露光・多焦点画像融合の広範囲な実験により、UniDiffFusionはクリーン・劣化条件下で優れた核融合品質とロバスト性を達成することが示された。 さらに、UniDiffFusionは、下流検出とセマンティックセグメンテーションのパフォーマンスを一貫して改善し、知覚融合とタスク指向ビジョンの両方のための統合拡散フレームワークとしての有効性を示した。

関連論文リスト

• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
  DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。 パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
  論文  参考訳（メタデータ） (2025-12-08T05:04:54Z)
• MdaIF: Robust One-Stop Multi-Degradation-Aware Image Fusion with Language-Driven Semantics [8.783211177601045]
  赤外線と可視画像の融合は、相補的なマルチモーダル情報を単一の融合結果に統合することを目的としている。 大規模言語モデル(MdaIF)により駆動される多段劣化シナリオのためのワンストップ劣化認識画像融合フレームワークを提案する。 気象に配慮した多様な劣化知識とシーン特徴表現を適応的に抽出するために,我々は,事前学習された視覚言語モデル(VLM)をフレームワークに採用する。
  論文  参考訳（メタデータ） (2025-11-16T09:43:12Z)
• 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)
• UniLDiff: Unlocking the Power of Diffusion Priors for All-in-One Image Restoration [16.493990086330985]
  UniLDiffは、デグレッションとディテールを意識したメカニズムで強化された統合フレームワークである。 劣化認識機能融合(DAFF:Degradation-Aware Feature Fusion)を導入し,低品質機能を各段階に動的に注入する。 また,Detail-Aware Expert Module (DAEM) をデコーダ内に設計し,テクスチャと微細構造の回復性を高める。
  論文  参考訳（メタデータ） (2025-07-31T16:02:00Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• Specularity Factorization for Low-Light Enhancement [2.7961648901433134]
  本稿では,複数の潜伏成分からなる画像を扱う付加的な画像分解手法を提案する。 当社のモデル駆動型EM RSFNetは,最適化をネットワーク層に展開することで,これらの要因を推定する。 結果の因子は設計によって解釈可能であり、ネットワークを介して異なる画像強調タスクに融合したり、直接ユーザによって結合したりすることができる。
  論文  参考訳（メタデータ） (2024-04-02T14:41:42Z)
• Unified-Width Adaptive Dynamic Network for All-In-One Image Restoration [50.81374327480445]
  本稿では, 複雑な画像劣化を基本劣化の観点で表現できる, という新しい概念を提案する。 We propose the Unified-Width Adaptive Dynamic Network (U-WADN) which consist of two pivotal components: a Width Adaptive Backbone (WAB) and a Width Selector (WS)。 提案したU-WADNは、最大32.3%のFLOPを同時に削減し、約15.7%のリアルタイム加速を実現している。
  論文  参考訳（メタデータ） (2024-01-24T04:25:12Z)

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。