論文の概要: Restoring Without Forgetting: Continual Learning Across Image Degradations

• arxiv url: http://arxiv.org/abs/2608.23799v1
• Date: Mon, 24 Aug 2026 20:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.573347
• Title: Restoring Without Forgetting: Continual Learning Across Image Degradations
• Title（参考訳）: 画像の劣化に関する継続的な学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.288045889067255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in image restoration has converged on all-in-one architectures that jointly handle multiple degradations within a single network. These methods are effective on static benchmarks but target a closed-world setting that assumes simultaneous access to every target degradation at training time. In practice, degradations are encountered sequentially as field-deployed systems progressively face new environmental conditions, and historical training data is often unavailable due to privacy or storage constraints. Accommodating a new degradation then requires either retraining on the union of all prior data, which is often costly or infeasible, or fine-tuning, which causes catastrophic forgetting. We formulate multi-degradation image restoration as a continual domain-incremental learning problem, in which degradations arrive incrementally and prior data is unavailable. Our proposed Restoring without Forgetting (RwF) framework learns a lightweight adapter for each new degradation, eliminating forgetting by construction at a fraction of the cost of dedicated per-domain networks. To isolate degradation learning from dataset variation, we construct a benchmark spanning five degradation domains under shared image content. At test time, an unsupervised routing mechanism identifies the appropriate restoration path for unknown inputs without requiring domain labels. Across the five-domain sequence, RwF improves final average PSNR over naive sequential fine-tuning by 15.25 dB and 11.83 dB on the Restormer and NAFNet backbones, respectively. The framework transfers to eleven canonical real-degradation benchmarks (3,465 images) at 89.5% routing accuracy with only a +0.94 dB oracle PSNR gap, establishing, to our knowledge, the first systematic baseline for continual multi-degradation image restoration.
• Abstract（参考訳）: 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。 これらの方法は静的なベンチマークでは有効だが、トレーニング時にターゲットの劣化に対して同時アクセスを前提としたクローズドワールド設定を目標としている。 実際には、フィールドデプロイされたシステムが新たな環境条件に徐々に直面しているため、劣化が順次発生する。 新しい劣化を緩和するためには、しばしばコストがかかる、あるいは不可能な、すべての事前データの統一を再訓練するか、あるいは微調整が必要である。 連続的な領域増分学習問題として多段劣化画像復元を定式化し、劣化が漸進的に届き、先行データが利用できないようにした。 提案するRwFフレームワークは,新しい劣化毎に軽量なアダプタを学習し,ドメインごとの専用ネットワークのコストのごく一部で構築による遅延を解消する。 データセットの変動から劣化学習を分離するために、共有画像コンテンツの下で5つの劣化領域にまたがるベンチマークを構築した。 テスト時に、教師なしルーティング機構は、ドメインラベルを必要とせず、未知の入力に対する適切な復元経路を特定する。 5領域の配列全体にわたって、RwFは、RestormerとNAFNetのバックボーン上で、それぞれ15.25dBと11.83dBのナイーブな微調整よりも、最終的な平均PSNRを改善する。 このフレームワークは、89.5%のルーティング精度で11の標準実劣化ベンチマーク(3,465画像)に転送される。

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)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  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。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration [15.897294007874898]
  MG-SpaIRは、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。 分解能グレードにまたがる再構成を段階的に洗練する多品位粗い残留階層を導入する。 混合劣化ベンチマークの実験は、MG-SpaIRが強いトレーニングデータのないベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-30T20:17:37Z)
• Task-Guided Prompting for Unified Remote Sensing Image Restoration [19.11145604183771]
  TGPNetは、デノイング、クラウド削除、シャドウ除去、デブロアリング、SARデスペクリングを処理できる統合フレームワークである。 私たちのフレームワークの中核は、新しいタスクガイド型プロンプティング(TGP)戦略です。 この作業はマルチタスクRSIRの大幅な進歩を示し、運用パイプラインに実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-03T05:29:12Z)
• Divide and Restore: A Modular Task-Decoupled Framework for Universal Image Restoration [0.0]
  様々な種類の劣化によって影響を受ける画像の復元は、コンピュータビジョンにおいて重要な課題である。 本稿では,明示的な診断ルーティング機構に基づくモジュール型タスク分離型画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T16:45:16Z)
• 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)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• 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)
• 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)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)

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。