論文の概要: Restoring without Forgetting: Filter-Level Continual Image Restoration via Parameter-Space Integrated Gradients

• arxiv url: http://arxiv.org/abs/2609.38591v1
• Date: Tue, 29 Sep 2026 21:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.775623
• Title: Restoring without Forgetting: Filter-Level Continual Image Restoration via Parameter-Space Integrated Gradients
• Title（参考訳）: 留意せずに復元する:パラメータ空間統合勾配によるフィルタレベル連続画像復元
• Abstract要約: 画像復元のための継続的適応フレームワークである。 実験により、RwFは事実上忘れることを避け、オールインワン手法と競合する復元品質を達成することが示された。
• 参考スコア（独自算出の注目度）: 49.18607423534863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adapting image restoration models to a stream of new tasks without revisiting past data remains challenging due to catastrophic forgetting. In this work, we propose Restoring without Forgetting (RwF), a filter-level continual adaptation framework for image restoration built upon a critical observation: task-specific knowledge is centered in a small subset of filters and can be separated from those reconstructing general content. RwF first performs parameter-space integrated gradients attribution to localize degradation-critical filters in a coarse-to-fine manner. It then adapts to new tasks by generating task-specific filters from a filter bank using compact factorized low-rank transformations, further augmented with cross-task attention and prototypical contrastive learning, and lastly assembles them back only at localized positions. Experiments on six restoration tasks show that RwF effectively avoids forgetting and achieves competitive restoration quality against all-in-one methods that have full data access, and outperforms LoRA-style adaptation with $\sim$10$\times$ fewer additional parameters. Code is available at https://github.com/funkdub/Restoring-without-Forgetting.
• Abstract（参考訳）: 過去のデータを再考することなく、画像復元モデルを新しいタスクストリームに適応することは、破滅的な忘れ物のため、依然として困難である。 本研究では,重要な観察に基づいて構築された画像復元のためのフィルタレベル連続適応フレームワークであるRestoring without Forgetting (RwF)を提案する。 RwF はまずパラメータ空間積分勾配の属性を用いて劣化臨界フィルタを粗い方法で局所化する。 その後、コンパクトな因子化ローランク変換を用いてフィルタバンクからタスク固有フィルタを生成し、さらにクロスタスクの注意と原型的コントラスト学習で拡張し、最後に、局所的な位置のみに再組み立てすることで、新しいタスクに適応する。 6つの復元タスクの実験では、RwFは完全なデータアクセスを持つオールインワンメソッドに対して、事実上忘れることを避け、競合する復元品質を実現し、LoRAスタイルの適応を$\sim$10$\times$より少ない追加パラメータで上回っている。 コードはhttps://github.com/funkdub/Restoring-without-Forgetting.comで入手できる。

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)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• Task-Guided Prompting for Unified Remote Sensing Image Restoration [19.11145604183771]
  TGPNetは、デノイング、クラウド削除、シャドウ除去、デブロアリング、SARデスペクリングを処理できる統合フレームワークである。 私たちのフレームワークの中核は、新しいタスクガイド型プロンプティング(TGP)戦略です。 この作業はマルチタスクRSIRの大幅な進歩を示し、運用パイプラインに実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-03T05:29:12Z)
• Cat-AIR: Content and Task-Aware All-in-One Image Restoration [50.46278224313221]
  Cat-AIRは textbfAnd textbfTask-aware framework for textbfImage textbfRestoration のための新しいフレームワークである。 Cat-AIRは、異なるタスクに対して局所的およびグローバル的情報を適応的にバランスをとる、交互に変化する空間チャネルアテンション機構を組み込んでいる。 実験により、Cat-AIRは広範囲の修復作業において最先端の結果を達成し、従来の方法よりもFLOPを少なくすることを示した。
  論文  参考訳（メタデータ） (2025-03-23T03:25:52Z)
• 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)
• LIR: A Lightweight Baseline for Image Restoration [4.187190284830909]
  画像復元作業の本質的な特徴は、多くの作品で見落とされがちである。 LIRと呼ばれる画像復元のための軽量ベースラインネットワークを提案し、画像の効率よく復元し、劣化を除去する。 我々のLIRは、Pak Signal-to-Noise Ratio (PSNR)における最先端構造類似度指標(SSIM)および最先端モデルに匹敵する性能を達成する。
  論文  参考訳（メタデータ） (2024-02-02T12:39:47Z)

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。