論文の概要: Restore What Matters: Lessons from Joint Restoration and Recognition

• arxiv url: http://arxiv.org/abs/2609.13791v1
• Date: Sat, 12 Sep 2026 08:08:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.55285
• Title: Restore What Matters: Lessons from Joint Restoration and Recognition
• Title（参考訳）: 重要なものを再保存する: 共同修復と認識から学ぶ
• Abstract要約: 認識パイプラインは通常、再認識ワークフローを採用するが、数十年の経験から、視覚的に満足な画像を生成することは、認識を改善するためにめったにないことを示している。 下流のタスクが本当に必要とするものだけを復元し、タスク信号がどこで、どのくらい、そして、修復が必要なのかを判断する。 我々は、より良い外観のイメージは必要でも十分でもないと結論付け、復元モジュールはタスク駆動で、選択的で、物理的に認識されなければならない。
• 参考スコア（独自算出の注目度）: 72.91692240810536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recognition pipelines typically adopt a restore-then-recognize workflow, yet decades of experience show that generating visually pleasing images seldom translates to improved recognition. We propose a Joint Restoration-for-Recognition (JR$^2$) paradigm: restore only what downstream tasks truly require, with task signals dictating where, how much, and whether restoration is necessary. JR$^2$ rests on three pillars: (i) Physics, employing optics-accurate turbulence simulation, extensible to blur and noise, to ground restoration in real image formation; (ii) Neuroscience, drawing on selective attention and neuroplasticity to direct model capacity toward identity-critical regions and frames while bypassing already-clean inputs; and (iii) Vision & Learning, coupling recognition loss end-to-end through restoration and alignment so that low-level edits maximize high-level identity stability. Evaluations on IARPA-BRIAR show consistent improvements (e.g., TAR@0.01% FAR +0.6; FNIR@1% FPIR -2.5), while a quality gate skips ~70% of clean frames, reducing cost. Ablations confirm physics priors enhance realism, joint training prevents catastrophic forgetting, and selective restoration suffices in many cases. We conclude that better-looking images are neither necessary nor sufficient; restoration modules must be task-driven, selective, and physically aware. Code, pretrained models, and recipes are provided for integration.
• Abstract（参考訳）: 認識パイプラインは通常、再認識ワークフローを採用するが、数十年の経験から、視覚的に満足な画像を生成することは、認識を改善するのに滅多にないことを示している。 本稿では,ダウンストリームタスクが本当に必要とするもののみを復元し,タスク信号がどこで,どのくらい,そして,修復が必要なのかを判断する,統合再生(JR$2$)パラダイムを提案する。 JR$2$は3本の柱に寄託する。 一 物理であって、実際の画像形成における地盤の復元のために、ぼかし及び騒音に拡張可能な光学的正確な乱流シミュレーションを用いること。 二 神経科学、選択的注意力及び神経可塑性を利用して、既に清潔な入力をバイパスしつつ、アイデンティティクリティカル領域及びフレームに向けてモデル容量を誘導すること。 三 低レベルの編集が高レベルのアイデンティティ安定性を最大化できるように、視力と学習、認識損失の回復とアライメントによりエンドツーエンドに結合する。 IARPA-BRIARの評価は、一貫した改善(例えば、TAR@0.01% FAR +0.6; FNIR@1% FPIR -2.5)を示し、品質ゲートはクリーンフレームの70%をスキップし、コストを削減した。 物理学の先行性は現実主義を強化し、共同トレーニングは破滅的な忘れ込みを防ぎ、多くの場合、選択的回復を妨げている。 我々は、より良い外観のイメージは必要でも十分でもないと結論付け、復元モジュールはタスク駆動で、選択的で、物理的に認識されなければならない。 コード、事前訓練されたモデル、レシピが統合のために提供されている。

関連論文リスト

• Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
  本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
  論文  参考訳（メタデータ） (2026-05-09T10:05:51Z)
• 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)
• Degradation-Aware All-in-One Image Restoration via Latent Prior Encoding [46.146259918814735]
  現実のイメージはしばしば、ヘイズ、雨、雪、低光といった空間的に多様な劣化に悩まされる。 既存のオールインワンの復元アプローチは、外部のテキストプロンプトに依存するか、手作りのアーキテクチャの先行を組み込むかのいずれかである。 劣化認識表現が自動的に入力から推測されるような、学習済みの事前推論としてAIRを再設計することを提案する。
  論文  参考訳（メタデータ） (2025-09-22T13:51:09Z)
• Continual Learning-Based Unified Model for Unpaired Image Restoration Tasks [2.7241418453016792]
  自律運転のような応用には、異なる気象条件により劣化した画像の復元を行うために統一モデルが必要である。 画像復元のための統合フレームワークを提案するために,連続的な学習手法を提案する。 PSNR, SSIM, 知覚的品質が, 最先端技術よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-07-25T11:47:40Z)
• ReFIR: Grounding Large Restoration Models with Retrieval Augmentation [52.00990126884406]
  本稿では,Retrieval-augmented Framework for Image Restoration (ReFIR) というソリューションを提案する。 我々のReFIRは、抽出した画像を外部知識として組み込んで、既存のLRMの知識境界を拡張する。 実験により,ReFIRは高忠実度だけでなく,現実的な復元結果も得られることが示された。
  論文  参考訳（メタデータ） (2024-10-08T01:27:45Z)
• Perceive-IR: Learning to Perceive Degradation Better for All-in-One Image Restoration [33.163161549726446]
  Perceive-IRは、きめ細かい品質管理のための新しいバックボーン非依存のオールインワン画像復元フレームワークである。 モジュール構造により、コアコンポーネントは特定のバックボーンとは独立して機能し、高度な復元モデルへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2024-08-28T17:58:54Z)
• DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
  DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。 第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。 第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:11:52Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。