論文の概要: TTTIR: Unlocking Instance-Specific State Evolution via Test-Time Training for Image Restoration

• arxiv url: http://arxiv.org/abs/2609.26151v1
• Date: Tue, 15 Sep 2026 09:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.666143
• Title: TTTIR: Unlocking Instance-Specific State Evolution via Test-Time Training for Image Restoration
• Title（参考訳）: TTTIR:画像復元のためのテストタイムトレーニングによるインスタンス固有の状態進化のロック解除
• Abstract要約: テスト時間トレーニング(TTT)は、データ依存演算子を生成するための有望なパラダイムを提供する。 我々は、画像復元をインスタンス固有の状態進化プロセスとして再構成する新しいフレームワークであるTTIRを提案する。
• 参考スコア（独自算出の注目度）: 45.457856249306396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image restoration is inherently challenging due to the diverse and highly input-dependent nature of real-world degradations. While recent architectures like Transformers and state-space models have advanced the field, they predominantly rely on static, globally shared parameters, which struggle to fully accommodate instance-specific degradation patterns. Test-Time Training (TTT) offers a promising paradigm for generating data-dependent operators, yet its standard self-supervised inner loop lacks the explicit guidance required to transition degraded features toward clean structures. To address this, we propose TTTIR, a novel framework that reformulates image restoration as an instance-specific state evolution process. Specifically, we design Progressive State Sequence Generation (PSSG) to construct complementary spatial-frequency target states (defining what to recover), and State Transition Evolution (STE) to adapt lightweight transition operators via a restoration-oriented TTT inner loop (determining how the features should evolve). Extensive experiments demonstrate that TTTIR consistently outperforms state-of-the-art models across multiple image restoration benchmarks, achieving dynamic instance-specific recovery with favorable computational scalability. The code is available at https://github.com/Elysiaaaaaaaa/TTTIR.git.
• Abstract（参考訳）: 画像復元は、現実世界の劣化の多様で入力に依存しない性質のため、本質的に困難である。 トランスフォーマーやステートスペースモデルといった最近のアーキテクチャはこの分野を進歩させてきたが、それらは主に静的でグローバルに共有されたパラメータに依存しており、インスタンス固有の劣化パターンを完全に満たすのに苦労している。 テスト時間トレーニング(TTT)は、データ依存演算子を生成するための有望なパラダイムを提供するが、その標準の自己監督型内部ループは、劣化した機能をクリーンな構造へ移行するために必要な明確なガイダンスを欠いている。 そこで本研究では,画像復元をインスタンス固有の状態進化プロセスとして再構成する新しいフレームワークTTTIRを提案する。 具体的には,PSSG(Progressive State Sequence Generation)を設計して,補完的な空間周波数ターゲット状態(回復すべき状態の定義)を構築するとともに,STE(State Transition Evolution)を用いて,復元指向TTT内部ループ(機能がどのように進化するかを決定する)を介して軽量遷移演算子を適応させる。 大規模な実験により、TTTIRは複数の画像復元ベンチマークで常に最先端のモデルよりも優れており、動的インスタンス固有のリカバリを良好な計算スケーラビリティで達成している。 コードはhttps://github.com/Elysiaaaaaaaaaaaa/TTTIR.gitで公開されている。

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)
• Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
  画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。 最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T06:01:36Z)
• Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration [41.34371852767098]
  CEAは、オールインワン画像復元のためのトークン単位の動的パラメータ化フレームワークである。 CEAは、強力なプロンプト、ディスクリプタ、エキスパートベースのベースラインよりも平均的な復元品質を改善します。
  論文  参考訳（メタデータ） (2026-05-07T12:31:24Z)
• From Path Signatures to Sequential Modeling: Incremental Signature Contributions for Offline RL [1.278093617645299]
  本稿では,トランケートされた経路シグネチャを時間的に順序付けられた要素列に分解するインクリメンタルシグネチャコントリビューション(ISC)手法を提案する。 ISCは本質的に即時軌跡更新に敏感であり、敏感で安定に要求される制御力学に重要である。 ISC-Transformer (ISCT) は,ISCを標準トランスフォーマーアーキテクチャに統合したオフライン強化学習モデルである。
  論文  参考訳（メタデータ） (2026-02-12T10:37:37Z)
• All-in-One Video Restoration under Smoothly Evolving Unknown Weather Degradations [102.94052335735326]
  All-in-one画像復元は、単一のモデルを用いて、さまざまな未知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。 既存のアプローチは主に、現実世界の劣化過程に自然に存在する時間的連続性を見越して、フレームワイドの劣化変動に焦点を当てている。 Smoothly Evolving Unknown Degradations (SEUD) のシナリオでは、アクティブな劣化セットと劣化強度の両方が時間とともに連続的に変化する。
  論文  参考訳（メタデータ） (2026-01-02T02:20:57Z)
• BFRFormer: Transformer-based generator for Real-World Blind Face Restoration [37.77996097891398]
  本稿では,トランスフォーマーをベースとしたブラインドフェイス復元手法BFRFormerを提案する。 提案手法は, 合成データセットと実世界の4つのデータセットにおいて, 最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-02-29T02:31:54Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)

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。