論文の概要: GraLoD: Graphics-Inspired Continuous Level-of-Detail Learning for Image Restoration

• arxiv url: http://arxiv.org/abs/2609.16578v1
• Date: Tue, 15 Sep 2026 03:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.326482
• Title: GraLoD: Graphics-Inspired Continuous Level-of-Detail Learning for Image Restoration
• Title（参考訳）: GraLoD:画像復元のためのグラフィクスにインスパイアされた連続的詳細学習
• Abstract要約: 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。
• 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: The spatial support required for image restoration varies across degradation types, image regions, and reconstruction stages. However, most existing methods rely on predefined multi-scale hierarchies and aggregate features through fixed fusion or attention, leaving the representation scale itself largely determined by the network architecture. This limitation becomes more pronounced when a task-specific backbone is extended to heterogeneous degradations in all-in-one restoration. Inspired by level-of-detail (LOD) rendering in computer graphics, we propose GraLoD, a plug-and-play framework that treats restoration scale as a spatially varying and stage-dependent continuous variable. GraLoD reuses the native encoder hierarchy, aligns its multi-scale features into a shared LOD representation space, and predicts a stage-conditioned LOD field at each decoder stage. Each spatial location then continuously queries only two neighboring representation levels, enabling the effective restoration scale to adapt to both local image content and reconstruction progress. To prevent degenerate or arbitrary scale selection, we further introduce minimal-sufficient footprint calibration (MSFC) together with structure-aware regularization (SAR) to encourage restoration-effective and spatially coherent LOD assignments. GraLoD can be directly integrated into existing restoration backbones without redesigning their fundamental feature-processing blocks. Extensive experiments demonstrate consistent improvements in task-specific and all-in-one restoration.
• Abstract（参考訳）: 画像復元に必要な空間的サポートは、劣化タイプ、画像領域、再構成段階によって異なる。 しかし、既存のほとんどの手法は、固定融合や注意による事前定義されたマルチスケール階層と集約機能に依存しており、表現スケール自体はネットワークアーキテクチャによって決定される。 この制限は、タスク固有のバックボーンがオールインワン修復において不均一な劣化に拡張されたときにより顕著になる。 コンピュータグラフィックスにおけるレベル・オブ・ディーテール(LOD)レンダリングに着想を得て,再生スケールを空間変化およびステージ依存連続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。 それぞれの空間的位置は、隣接する2つの表現レベルのみを連続的にクエリし、効率的な復元スケールが局所的な画像の内容と再構成の進捗に適応できるようにする。 縮退や任意のスケール選択を防止するため,最小限のフットプリントキャリブレーション(MSFC)と構造認識正規化(SAR)を導入し,修復効率と空間コヒーレントなLOD割り当てを促進する。 GraLoDは、基本的な機能処理ブロックを再設計することなく、既存のリストアバックボーンに直接統合することができる。 広範囲な実験は、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。

関連論文リスト

• QuReC: All-in-One Image Restoration with Query-Specific Guidance and Local-Global Response Calibration [20.33280733198936]
  オールインワン画像復元は、単一の統一モデルを用いて、複数の汚職タイプによって劣化したクリーンなイメージを復元することを目的としている。 QuReC は分解再構成モジュール (DQRM) と局所グロバル応答モジュール (LGRCM) から構成される。 DQRMは、各空間クエリと劣化プロトタイプ空間とを一致させて、クエリ固有の劣化表現を再構成する。 LGRCMは局所グロバルな二重ブランチアグリゲーションを実行し、アグリゲーションされた応答を学習可能な先行値で校正する。
  論文  参考訳（メタデータ） (2026-07-16T15:10:00Z)
• SFTok: Bridging the Performance Gap in Discrete Tokenizers [72.9996757048065]
  複数ステップの反復機構を組み込んだ離散トークン化機構である textbfSFTok を提案する。 画像当たり64トークンの高速圧縮速度で、SFTokはImageNetの最先端の再構築品質を達成する。
  論文  参考訳（メタデータ） (2025-12-18T18:59:04Z)
• 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)
• Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
  劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。 我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。 劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-19T09:54:46Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Mixed Hierarchy Network for Image Restoration [0.0]
  画像復元における品質とシステムの複雑さのバランスをとることができる混合階層ネットワークを提案する。 我々のモデルはまずエンコーダ・デコーダアーキテクチャを用いて文脈情報を学習し,次に空間的詳細を保存する高分解能分岐と組み合わせる。 その結果、MHNetという名前の密接な相互接続階層アーキテクチャは、いくつかのイメージ復元タスクにおいて、強力なパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2023-02-19T12:18:45Z)
• 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。