論文の概要: Learning to Restore More: Continual Capability Expansion for Pretrained Image Restoration Models

• arxiv url: http://arxiv.org/abs/2608.30305v1
• Date: Mon, 31 Aug 2026 06:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.253612
• Title: Learning to Restore More: Continual Capability Expansion for Pretrained Image Restoration Models
• Title（参考訳）: より保存しやすくする学習:事前訓練された画像復元モデルのための継続的な能力拡張
• Abstract要約: トレーニングされた復元者が、以前に学んだことを忘れずに、継続的に新しい能力を身につける方法について検討する。 本稿では,連続的な機能拡張フレームワークであるRestoreMoreを提案する。 RestoreMoreは、学習前の能力の保存と改善をしながら、新しい復元能力を一貫して獲得することを示す。
• 参考スコア（独自算出の注目度）: 54.85451496831771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration models are typically trained with a fixed set of capabilities. When new restoration requirements emerge, existing solutions usually train additional models or jointly retrain the original model with both new and historical data. Instead of designing another restoration backbone, we investigate how a trained restorer can continually acquire new capabilities without forgetting those learned previously. We propose RestoreMore, a continual capability-expansion framework that preserves the pretrained restoration model as a frozen capability anchor and learns residual expansion modules for newly arriving degradations. RestoreMore introduces a capability-oriented bi-level routing mechanism at multiple feature stages. The first routing level identifies restoration capabilities relevant to the current input, while the second selects and combines a sparse set of complementary degradation experts. This design enables newly introduced tasks to selectively reuse historical restoration knowledge and progressively enriches the expert bank available for subsequent restoration tasks. Extensive experiments on a wide range of restoration benchmarks demonstrate that RestoreMore consistently acquires new restoration abilities while preserving and improving previously learned capabilities.
• Abstract（参考訳）: 画像復元モデルは、通常、固定された機能のセットで訓練される。 新しい修復要件が出現すると、既存のソリューションは通常、追加のモデルをトレーニングするか、新しいデータと歴史的なデータの両方で元のモデルを共同で再トレーニングする。 新たな復元バックボーンを設計する代わりに、トレーニングされた復元者が、以前に学んだことを忘れずに、いかにして継続的に新しい能力を取得することができるかを検討する。 本稿では, 凍結機能アンカーとして事前学習した復元モデルを保存し, 新たに到着した劣化に対する残留拡張モジュールを学習する連続的機能拡張フレームワークであるRestoreMoreを提案する。 RestoreMoreは機能指向の双方向ルーティング機構を複数の機能ステージで導入している。 第1のルーティングレベルは、現在の入力に関連する復元機能を特定し、第2のルーティングレベルは、相補的な分解エキスパートのスパースセットを選択し、組み合わせる。 この設計により、新しく導入されたタスクは、履歴復元の知識を選択的に再利用し、その後に利用可能な専門家銀行を徐々に強化することができる。 幅広いリカバリベンチマークに関する大規模な実験は、RestoreMoreが継続的に新しいリカバリ能力を取得しながら、それまでの学習能力の保存と改善を行っていることを示している。

関連論文リスト

• Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
  Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。 分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。 このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:44Z)
• 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)
• UnSCAR: Universal, Scalable, Controllable, and Adaptable Image Restoration [20.447922377156143]
  ユニバーサル画像復元は、任意の現実世界の劣化からクリーンなイメージを復元することを目的としている。 既存のオールインワン復元ネットワークは、複数の劣化にスケールしない。 本稿では,専門的なタスク適応型エキスパート間での復元知識を分解する,エキスパートの混在した統合推論パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-08T01:35:54Z)
• From Physical Degradation Models to Task-Aware All-in-One Image Restoration [44.45223512440674]
  オールインワン画像復元は、1つの訓練されたモデルで複数の復元タスクを適応的に処理することを目的としている。 我々は、物理劣化モデリングの観点を採用し、効率的なオールインワン画像復元のためのタスク認識逆分解演算子を予測する。
  論文  参考訳（メタデータ） (2026-01-15T08:47:10Z)
• Sharing the Learned Knowledge-base to Estimate Convolutional Filter Parameters for Continual Image Restoration [7.116541784404478]
  本稿では,従来の復元作業から得た知識を,メインのバックボーンアーキテクチャに触れることなく適応させるために,畳み込み層を簡易に修正することを提案する。 他の手法とは異なり、我々のモデルは計算オーバーヘッドや推論時間を著しく増加させることなく、トレーニング可能なパラメータの数を増やすことができることを示した。
  論文  参考訳（メタデータ） (2025-11-07T16:52:42Z)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• 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)
• SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
  セマンティック・復元型画像復元フレームワークであるSPIREを開発した。 本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。 本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
  論文  参考訳（メタデータ） (2023-12-18T17:02:30Z)

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。