論文の概要: EORestore-Agent: Fidelity-Guided Agentic Restoration of Remote Sensing Images with Composite Degradations

• arxiv url: http://arxiv.org/abs/2610.06196v1
• Date: Mon, 05 Oct 2026 12:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 17:58:13.104166
• Title: EORestore-Agent: Fidelity-Guided Agentic Restoration of Remote Sensing Images with Composite Degradations
• Title（参考訳）: EORestore-Agent:複合劣化を伴うリモートセンシング画像の忠実度誘導型エージェント修復
• Abstract要約: EORestore-AgentはPSNRを2から6の劣化の複合材料上で最も訓練されたオールインワンベースラインよりも2.3から3.2dB改善する。 6種類の劣化型を持つ合成Landsat-8ベンチマークにおいて、EORestore-AgentはPSNRを2.3から3.2dBに改善した。
• 参考スコア（独自算出の注目度）: 20.61059260898018
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Remote sensing images often carry composite degradations, in which haze, cloud, noise, blur, low light, and low resolution coexist. Restoring them requires deciding which tool to apply, in what order, and when to stop, yet no clean reference is available at inference time to verify these decisions. All-in-one models trained on single degradations converge to a narrow PSNR band as degradations accumulate. To formulate real-world remote sensing restoration as a traceable trajectory, we present EORestore-Agent, which replaces this unmeasurable objective with reference-free, verifiable per-step decisions. A fine-tuned vision-language model reports all residual degradation types, whose tool pools are scored together, so the restoration order emerges from step-wise selection. A relative quality scorer, trained with full-reference supervision on synthetic degradation chains, predicts the changes in PSNR, SSIM, and LPIPS from the current image to each candidate. A step is accepted only when no predicted change is negative and the predicted PSNR gain is positive. Otherwise, the agent keeps the current image. On a synthetic Landsat-8 benchmark with six degradation types, EORestore-Agent improves PSNR by 2.3 to 3.2 dB over the strongest retrained all-in-one baseline on composites of two to six degradations, whereas zero-shot natural-image agents fall below the degraded input in PSNR in 17 of 18 settings. Replacing the learned scorer with no-reference quality differences costs 1.1 to 4.6 dB. The remaining harmful steps are small and cluster near the acceptance threshold. Sentinel-2 examples illustrate transfer to real atmospheric degradation without retraining.
• Abstract（参考訳）: リモートセンシング画像は、迷路、雲、騒音、ぼやけ、低照度、低分解能共存などの複合的な劣化を伴うことが多い。 それらを復元するには、どのツールを適用するか、どの順序で、いつ停止するかを決定する必要があるが、これらの決定を検証するために推論時にクリーンな参照は利用できない。 単一劣化で訓練されたオールインワンモデルは、劣化が蓄積するにつれて狭いPSNRバンドに収束する。 実世界のリモートセンシングをトレース可能な軌道として定式化するために,この測定不可能な目的を参照不要かつ検証可能なステップ毎の決定に置き換えるEORestore-Agentを提案する。 細調整された視覚言語モデルでは、ツールプールがまとめられた残差劣化タイプがすべて報告されるので、復元順序はステップワイズ選択から現れる。 合成分解鎖の完全な参照監督によって訓練された相対的品質スコアラは,PSNR,SSIM,LPIPSの変化を現在の画像から各候補に予測する。 予測された変化が負で、予測されたPSNRゲインが正である場合にのみ、ステップが受け入れられる。 そうでなければ、エージェントは現在のイメージを保持する。 6種類の劣化型を持つ合成Landsat-8ベンチマークにおいて、EORestore-AgentはPSNRを2から6の劣化型の複合材料上で最も訓練されたオールインワンベースラインよりも2.3から3.2dB改善した。 学習したスコアラを非参照品質差で置き換えるのに1.1〜4.6dBかかる。 残りの有害なステップは小さく、受け入れしきい値に近いクラスタである。 センチネル2の例は、再訓練せずに実際の大気の劣化に移行したことを示している。

関連論文リスト

• BlindPSNR: A No-Reference Fidelity Predictor for Low-Light Image Enhancement [5.565811404827319]
  ピーク信号-ノイズ比(Pak signal-to-Noise ratio)はパラメータ選択を自動化するための自然な忠実度基準である。 BlindPSNRは、窓面のクロスアテンションによる低照度入力の劣化による強調画像を融合し、ヘテロセダスティックレグレッションによりPSNRを推定する。
  論文  参考訳（メタデータ） (2026-07-30T03:33:52Z)
• REVIVE: A Multi-Modal Framework for Vandalism Detection and Recovery in Autonomous Vehicles [0.6445605125467572]
  本稿では,視覚能力向上のためのVandalized Image for Vision Excellence(REVIVE)フレームワークの回復と拡張について述べる。 これは、バイナリVOA検出、(2)マルチクラスVOAパターン識別、(3)効率の良いNetベースのU-Netセグメンテーション、(4)タイプ認識リカバリを統合している。 500個の追跡されたクリーン/バンダライズされた画像対において、未発見のVOAsはYOLOv8lのオブジェクト検出リコールを0.588に削減し、直接のピクセル置換は0.967とF1スコアを0.970にリコールした。
  論文  参考訳（メタデータ） (2026-07-06T21:25:41Z)
• MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration [15.897294007874898]
  MG-SpaIRは、単一の観察からクリーンなイメージを復元するためのトレーニングデータのないフレームワークである。 分解能グレードにまたがる再構成を段階的に洗練する多品位粗い残留階層を導入する。 混合劣化ベンチマークの実験は、MG-SpaIRが強いトレーニングデータのないベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-06-30T20:17:37Z)
• Degradation-Consistent Paired Training for Robust AI-Generated Image Detection [0.0]
  本稿では,データ強化の副産物として劣化堅牢性を扱うための劣化持続ペアドトレーニング(DCPT)を提案する。 実験の結果、DCPTはペアトレーニングなしで同じベースラインと比較して、劣化条件の平均精度を9.1ポイント向上することがわかった。
  論文  参考訳（メタデータ） (2026-04-11T08:52:28Z)
• Chain-of-Restoration: Multi-Task Image Restoration Models are Zero-Shot Step-by-Step Universal Image Restorers [53.298698981438]
  本稿では,UIR(Universal Image Restoration)という新たなタスク設定を提案する。 UIRは、すべての劣化組み合わせのトレーニングを必要とせず、一連の劣化基だけに限って、これらの基がゼロショットで構成できる可能性のある劣化を取り除く。 本稿では,未知の複合劣化を段階的に除去するモデルをモデルに指示する,CoR(Chain-of-Restoration)機構を提案する。
  論文  参考訳（メタデータ） (2024-10-11T10:21:42Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)

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。