論文の概要: LoopMoEVR: Loop-Based Degradation-Aware Mixture-of-Experts for Unified UHD Video Restoration

• arxiv url: http://arxiv.org/abs/2610.05109v1
• Date: Sun, 04 Oct 2026 10:35:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:00:36.548708
• Title: LoopMoEVR: Loop-Based Degradation-Aware Mixture-of-Experts for Unified UHD Video Restoration
• Title（参考訳）: LoopMoEVR:Unified UHDビデオ再生のためのループベース劣化認識ミキサー
• Abstract要約: LoopMoEVRは、劣化した超高精細(UHD)入力を処理できる、エキスパートの混合モデルである。 約0.884Mのトレーニング可能なパラメータだけで、提案モデルはUHDビデオのデハージング、デハインティング、デハインティング、低照度拡張タスクを均一に処理する。
• 参考スコア（独自算出の注目度）: 19.316886737032092
• License:
• Abstract: Recently, unified high-definition image restoration has attracted considerable attention; however, existing models tend to excessively increase their depth in pursuit of improved generalization, which often yields only limited gains. Meanwhile, loop-based learning paradigms have drawn widespread attention due to their low parameter counts and strong regression capability, as exemplified by GPT-6 and looped Transformers. In this paper, we introduce the loop learning paradigm to address restoration tasks that require cross-domain learning. Specifically, we propose LoopMoEVR, a loop-based mixture-of-experts model capable of handling degraded ultra-high-definition (UHD) inputs. First, a degradation-conditioned low-rank loop embedding is designed to construct input-dependent stage conditions. Second, a spatio-temporal iterative adaptive normalization module, termed IterAda3DN, is developed to fuse local features with global loop context, thereby performing position-wise affine modulation. Finally, the expert branches further integrate the attention-updated local and global video states with the loop conditions to generate dedicated modulation parameters, while an input-conditioned depth predictor adaptively configures the number of loop iterations. With only approximately 0.884M trainable parameters, the proposed model uniformly handles UHD video dehazing, deraining, denoising, and low-light enhancement tasks, achieving state-of-the-art restoration performance on both public benchmarks and real-world scenarios.
• Abstract（参考訳）: 近年,高精細画像の統一化が注目されているが,既存のモデルでは高精細化を追求して高精細化が進んでいるため,限られた利得しか得られないことが多い。 一方、ループベースの学習パラダイムは、GPT-6やループ変換器で例示されるように、パラメータ数が少ないことと強い回帰能力のために、広く注目を集めている。 本稿では,クロスドメイン学習を必要とする復元作業に対処するためのループ学習パラダイムを提案する。 具体的には、劣化したUHD(Ultra-High-Definition)入力を処理できるループベースの混合処理モデルであるLoopMoEVRを提案する。 第一に、劣化条件付き低ランクループ埋め込みは、入力依存のステージ条件を構築するように設計されている。 第二に、時空間反復適応正規化モジュールである IterAda3DN が開発され、局所的特徴をグローバルループコンテキストと融合させ、位置対応アフィン変調を行う。 最後に、エキスパートブランチは、注目更新されたローカルおよびグローバルなビデオ状態とループ条件を更に統合して専用変調パラメータを生成し、入力条件の深度予測器はループの繰り返し回数を適応的に設定する。 約0.884Mのトレーニング可能なパラメータだけで、提案モデルはUHDビデオのデハージング、デハインティング、デノイング、低照度拡張タスクを均一に処理し、公開ベンチマークと実世界のシナリオの両方で最先端の復元性能を達成する。

関連論文リスト

• L2D2-GS: Learning to Densify for Feedforward Dynamic Gaussian Scene Reconstruction [45.197986759830314]
  本稿では,L2D2-GSについて述べる。L2D2-GSは1ショットレグレッションではなく,最適化と密度化の堅牢な反復的プロセスとして,一般化可能な再構築を再構築する統一的なフレームワークである。 提案手法は, 競合するベースラインよりもプリミティブを少なくしつつ, 最先端の復元忠実度と強力なゼロショット一般化を実現する。
  論文  参考訳（メタデータ） (2026-06-28T12:51:17Z)
• DRNet: All-in-One Image Restoration via Prior-Guided Dynamic Reparameterization [45.271664532141294]
  オールインワン画像復元は、単一のモデル内で多様な劣化を処理することを目的としている。 既存の方法は、しばしば3つの重要な制限に悩まされる。 DRNetは、パラメータ効率に優れた5つの復元タスクで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T02:43:00Z)
• SoLAR: Error-Resilient Streamable Long-Horizon Free-Viewpoint Video Reconstruction with Anchor Activation and Latent Recalibration [57.159190580279585]
  ビット割り当て理論により、速度歪み最適化フレームワーク内で動的アンカーベースのボリュームビデオ表現を解析する。 我々は,長いシーケンスの復元品質を安定的に維持する,エラー回復性の最初のFVVフレームワークである textbfSoLAR を提案する。
  論文  参考訳（メタデータ） (2026-05-08T06:48:59Z)
• Degradation-Aware Adaptive Context Gating for Unified Image Restoration [57.06559692537862]
  単一モデルを用いた統一画像復元は、多種多様な劣化によるタスク干渉に直面することが多い。 DACG-IRは,劣化特性を明瞭に認識し,特徴表現を動的に変調する。 DACG-IRは、単一タスク、オールインワン、悪天候除去、複合劣化設定において最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-02T04:18:43Z)
• 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)
• Zero-Reference Joint Low-Light Enhancement and Deblurring via Visual Autoregressive Modeling with VLM-Derived Modulation [18.67176370944511]
  現実の暗黒画像は、視界とコントラストの低いだけでなく、複雑なノイズやぼやけも示しており、重要な修復上の課題を呈している。 視覚言語モデル(VLM)を用いた視覚自己回帰モデル(VAR)に基づく生成フレームワークを提案する。 我々のフレームワークは完全に教師なしであり、ベンチマークデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-23T19:08:45Z)
• Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
  LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。 Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。 実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T08:54:26Z)
• URWKV: Unified RWKV Model with Multi-state Perspective for Low-light Image Restoration [22.746234919635018]
  多状態視点を用いた統一受容重み付き鍵値(URWKV)モデルを提案する。 URWKVブロックのコアをカスタマイズし、複数のステージ内およびステージ間状態を利用して複雑な劣化を認識・解析する。 最先端モデルと比較して、URWKVモデルは様々なベンチマークにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-05-29T04:17:09Z)

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。