論文の概要: TaskIR: Task-Driven Image Restoration via Degradation Adaptation and Task Feedback
- arxiv url: http://arxiv.org/abs/2609.31170v2
- Date: Tue, 29 Sep 2026 12:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.548395
- Title: TaskIR: Task-Driven Image Restoration via Degradation Adaptation and Task Feedback
- Title（参考訳）: TaskIR: 劣化適応とタスクフィードバックによるタスク駆動イメージ復元
- Abstract要約: TaskIRは2段階のタスク駆動の統合イメージ復元フレームワークである。
劣化適応修復とタスクフィードバックの改良を統合している。
さまざまな劣化やタスクにまたがって、競争力のある復元品質とダウンストリームタスクのパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 25.047296985058964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Task-driven image restoration aims to improve both image quality and downstream task performance. However, existing methods predominantly focus on single degradation type and struggle to handle the diverse degradations encountered in real-world scenarios. Different degradations impose distinct restoration demands, and insufficient restoration may leave residual degradations and artifacts that impair object boundaries and semantic cues, thereby compromising downstream task performance. To address these challenges, we propose TaskIR, a two-stage task-driven unified image restoration framework that integrates degradation-adaptive restoration with task feedback refinement. In Stage I, a Degradation Representation Module (DRM) extracts degradation representations, enabling a Degradation-Guided Transformer Block (DGTB) to dynamically modulate feature transformations for adaptive restoration. In Stage II, a Task-to-Restoration Feedback Generation module (TRFG) transforms heterogeneous task features into restoration feedback by modeling task-representation discrepancies associated with the current restoration. Subsequently, a Selective Task Feedback Refinement module (STFR) assesses feedback relevance and selectively refines intermediate restoration features to mitigate interference with well-restored content. Extensive experiments demonstrate that TaskIR achieves competitive restoration quality and downstream task performance across diverse degradations and tasks.
- Abstract（参考訳）: タスク駆動型画像復元は、画像品質とダウンストリームタスクパフォーマンスの両方を改善することを目的としている。
しかし、既存の手法は主に単一劣化タイプに焦点を合わせ、現実世界のシナリオで発生する多様な劣化を扱うのに苦労している。
異なる劣化は、異なる復元要求を課し、不十分な復元は、オブジェクトの境界やセマンティック・キューを損なう残留劣化やアーティファクトを残し、下流のタスク性能を損なう可能性がある。
これらの課題に対処するため,2段階のタスク駆動型統合画像復元フレームワークであるTaskIRを提案する。
段階Iでは、劣化表現モジュール(DRM)が劣化表現を抽出し、劣化誘導変換器ブロック(DGTB)が適応復元のために特徴変換を動的に変調できるようにする。
ステージIIでは、タスク・ツー・レスタレーション・フィードバック生成モジュール(TRFG)が、異種タスクの特徴を現在のリカバリに関連するタスク・リ表現の相違をモデル化して復元フィードバックに変換する。
その後、Selective Task Feedback Refinementモジュール(STFR)は、フィードバックの関連性を評価し、中間復元機能を選択的に洗練し、よく保存されたコンテンツとの干渉を軽減する。
大規模な実験では、TaskIRは様々な劣化やタスクをまたいで、競争力のある復元品質とダウンストリームタスクのパフォーマンスを達成する。
関連論文リスト
- DVANet: Degradation-aware Visual-prior Alignment Network for Image Restoration [31.441586261696617]
本稿では,分解認識観測一貫性と視覚的優先誘導再構成の協調的展開プロセスであるDVANetを提案する。
実験により、DVANetはマルチシナリオ劣化とクロスドメイン画像復元タスクにおいて、優れた、あるいは競争的な性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-06-17T14:09:39Z) - 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) - 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) - 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) - Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。
本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
論文 参考訳（メタデータ） (2025-04-14T08:24:57Z) - UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。
本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。
本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
論文 参考訳（メタデータ） (2025-01-22T08:06:48Z) - 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) - Multi-task Image Restoration Guided By Robust DINO Features [88.74005987908443]
DINOv2から抽出したロバストな特徴を利用したマルチタスク画像復元手法であるmboxtextbfDINO-IRを提案する。
まず,DINOV2の浅い特徴を動的に融合するPSF (Pixel-semantic fusion) モジュールを提案する。
これらのモジュールを統一された深層モデルに定式化することにより、モデルトレーニングを制約するために、DINO知覚の対照的な損失を提案する。
論文 参考訳（メタデータ） (2023-12-04T06:59:55Z) - Relationship Quantification of Image Degradations [72.98190570967937]
劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。
DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。
得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
論文 参考訳（メタデータ） (2022-12-08T09:05:19Z)
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。