論文の概要: Think Before You Restore: Risk-Aware Manchu Manuscript Restoration with Stroke-Guided Attention

• arxiv url: http://arxiv.org/abs/2609.36243v1
• Date: Mon, 28 Sep 2026 20:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.006342
• Title: Think Before You Restore: Risk-Aware Manchu Manuscript Restoration with Stroke-Guided Attention
• Title（参考訳）: リストア前に考える:ストロークガイドによるリスクを意識した満洲写本の復元
• Abstract要約: 歴史的満州写本の全面的なブラインド復元は、注釈の不足、未知の劣化地域、脆弱な連結脳卒中により困難である。 SAGE-Restoreは、まず、復元が必要な場所を判断し、この評価を用いて、復元候補の生成と画素レベルの選択をガイドする選択的な復元フレームワークである。
• 参考スコア（独自算出の注目度）: 5.5152516353549546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-page blind restoration of historical Manchu manuscripts is challenging due to scarce annotations, unknown degradation regions, and fragile connected strokes. Generic restoration models may improve visual quality but often modify intact content, leading to over-restoration. We propose SAGE-Restore (Stroke-Aware Gated rEstoration), a selective restoration framework that first assesses where restoration is needed and then uses this assessment to guide restoration candidate generation and pixel-level selection. Its encoder predicts patch-level repair probabilities from complementary appearance and stroke-structural cues to condition restoration candidate generation, while the corresponding repair logits are refined into a pixel-level soft gate that selectively controls where the restoration candidate is applied. We further introduce a fidelity-aware evaluation protocol that jointly measures degraded-region recovery, intact-content preservation, and their balance. SAGE-Restore achieves the highest R-Recovery (0.463) and RFS (0.626), while maintaining high U-Fidelity (0.968), demonstrating an effective balance between restoration and content preservation.
• Abstract（参考訳）: 歴史的満州写本の全面的なブラインド復元は、注釈の不足、未知の劣化地域、脆弱な連結脳卒中により困難である。 ジェネリック復元モデルは視覚的品質を改善するが、しばしば無傷な内容を変更するため、過剰な復元につながる。 SAGE-Restore (Stroke-Aware Gated rEstoration, SAGE-Restore) は、まず、復元が必要な場所を判断し、この評価を用いて、復元候補の生成と画素レベルの選択をガイドする選択的な復元フレームワークである。 そのエンコーダは、補間外観やストローク構造的キューから条件回復候補生成までのパッチレベルの修復確率を予測し、対応する修復ロジットを画素レベルの軟ゲートに洗練し、復元候補が適用される場所を選択的に制御する。 さらに、劣化地域回復、無傷保存、それらのバランスを共同で測定する忠実度対応評価プロトコルを導入する。 SAGE-Restoreは高いR-Recovery (0.463) と RFS (0.626) を達成し、高いU-Fidelity (0.968) を維持し、修復とコンテンツ保存の効果的なバランスを示す。

関連論文リスト

• Restore What Matters: Lessons from Joint Restoration and Recognition [72.91692240810536]
  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。
  論文  参考訳（メタデータ） (2026-09-12T08:08:08Z)
• Loop-Mamba: A Loop Mamba with Degradation-Aware and Shared Memory for Old Photo Restoration [29.676774974971064]
  古い写真は、ひっかき傷、ひび割れ、薄れ、ぼやけ、ノイズ、行方不明領域など、複数の複合的な劣化に悩まされることが多い。 ループベースの軽量な状態空間フレームワークであるLoop-Mambaを提案する。
  論文  参考訳（メタデータ） (2026-08-03T14:59:21Z)
• 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)
• DARA: Degradation-Aware Low-Rank Residual Adaptation with Original-to-Corrupted Distillation for Corruption-Robust Animal Re-Identification [0.42970700836450487]
  入力条件付き特徴空間修復法として汚損動物Re-IDについて検討した。 本稿では,コンパクトなRe-IDモデルのための軽量なリファインメントであるDARAを紹介する。 DarAは微調整されたバックボーンを凍結し、ルートされた低ランクの残留専門家を学び、劣化したインプットの埋め込みに適応する。
  論文  参考訳（メタデータ） (2026-07-18T05:25:49Z)
• 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)
• CARE: Training-Free Controllable Restoration for Medical Images via Dual-Latent Steering [4.1773721811712665]
  CAREは、実世界の医療画像のためのトレーニング不要の制御可能な復元フレームワークである。 CAREは二重遅延復元戦略を用いており、一方のブランチはデータの忠実さと解剖学的一貫性を強制し、もう一方は欠落または劣化した情報の回復に先立って生成性を活用する。 リスク対応適応制御器は、復元の不確実性と局所構造信頼性に基づいて各分岐の寄与を動的に調整する。
  論文  参考訳（メタデータ） (2026-03-26T04:43:28Z)
• 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)
• RestorerID: Towards Tuning-Free Face Restoration with ID Preservation [18.022455458259305]
  本研究では,顔修復時のID保存を取り入れたRestorerIDというチューニング不要な手法を提案する。 そこで本研究では,ID注入とベースブラインド顔復元モデルを組み合わせた統合フレームワークを提案する。 Celeb-Refデータセットと実世界のシナリオの実験結果から、RestorerIDはID保存による高品質な顔復元を効果的に実現することが示された。
  論文  参考訳（メタデータ） (2024-11-21T13:50:25Z)

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。