論文の概要: DLC: A Metric-Guided Dynamic Loss Controller for Multi-Objective Training

• arxiv url: http://arxiv.org/abs/2610.11433v1
• Date: Thu, 08 Oct 2026 07:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.877151
• Title: DLC: A Metric-Guided Dynamic Loss Controller for Multi-Objective Training
• Title（参考訳）: DLC:多目的トレーニングのためのメトリックガイド型動的損失制御器
• Abstract要約: 多目的画像復元のための計量誘導動的損失制御器(DLC)を提案する。 DLCはタスク固有のアーキテクチャではなく、既存の損失項で動作する。 低照度画像強調, デラリニング, 現実世界の超解像の3領域でDLCを評価した。
• 参考スコア（独自算出の注目度）: 2.349064979059293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a metric-guided dynamic loss controller (DLC) for multi-objective image restoration. Conventional image restoration pipelines usually train with a fixed weighted combination of multiple losses, without changing the relative importance of fidelity, perceptual similarity, and no-reference quality during optimization. DLC is an architecture- and loss-term-agnostic training-time controller: it does not modify the restoration architecture or introduce new differentiable loss terms, but dynamically reweights the existing training losses. During training, DLC periodically evaluates the current model on a small fixed feedback subset and uses the resulting quality metrics to update the loss-weight vector through an LLM-based controller. Because DLC operates on existing loss terms rather than task-specific architectures, the same controller formulation can be instantiated across diverse image restoration training pipelines. We evaluate DLC on three restoration domains: low-light image enhancement, deraining, and real-world super-resolution, using both reference-based and no-reference quality metrics. Across these settings, DLC considers metric-dependent trade-offs during optimization and guides training toward balanced operating points across fidelity and perceptual quality. The results show that DLC can move models toward more favorable operating points across different restoration domains, supporting its role as a practical plug-in controller for multi-objective image restoration.
• Abstract（参考訳）: 本稿では,多目的画像復元のための距離誘導動的損失制御器(DLC)を提案する。 従来の画像復元パイプラインは、通常、複数の損失の固定された重み付けの組み合わせで訓練するが、その間、フィデリティ、知覚的類似性、および非参照品質の相対的重要性は変化しない。 復元アーキテクチャを変更したり、新たな差別化可能な損失項を導入したりするのではなく、既存のトレーニング損失を動的に軽減する。 トレーニング中、DLCは、現在のモデルを小さな固定されたフィードバックサブセットで定期的に評価し、結果として得られる品質メトリクスを使用して、LCMベースのコントローラを介して損失重みベクトルを更新する。 DLCはタスク固有のアーキテクチャではなく既存の損失項で動作するため、さまざまなイメージ復元トレーニングパイプライン間で同じコントローラの定式化をインスタンス化することができる。 低照度画像強調, デラリニング, 実世界の超解像の3領域におけるDLCの評価を, 基準ベースと非基準品質の指標を用いて行った。 これらの設定全体で、DLCは最適化中のメートル法に依存したトレードオフを検討し、忠実度と知覚的品質のバランスのとれた運用ポイントへのトレーニングを指導する。 以上の結果から,DLCは,多目的画像復元のための実用的プラグインコントローラとしての役割を担いながら,異なる復元領域をまたがるより良好な操作点へモデルを移動できることが示唆された。

関連論文リスト

• Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
  画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。 最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T06:01:36Z)
• Neural Network Optimization Reimagined: Decoupled Techniques for Scratch and Fine-Tuning [49.751529745537546]
  我々はDualOptを提案する。DualOptは、スクラッチからトレーニングに適した最適化技術を分離する新しいアプローチである。 スクラッチからのトレーニングでは、収束と一般化の両面を強化するために設計されたリアルタイムな層ワイド・ウェイト・デポジットを導入する。 我々は、異なる下流タスクの様々な要求に適応して、レイヤ単位の重量減衰を拡張して、レイヤ間のロールバックレベルを動的に調整する。
  論文  参考訳（メタデータ） (2026-04-21T06:27:18Z)
• Edit2Restore:Few-Shot Image Restoration via Parameter-Efficient Adaptation of Pre-trained Editing Models [4.573600918393017]
  テキスト条件付き画像編集モデルでは,複数の復元作業に効率よく適応できることを示す。 FLUX.1 Kontextは画像から画像への変換のための12Bパラメータフローマッチングモデルである。
  論文  参考訳（メタデータ） (2026-01-06T19:56:16Z)
• Pruning Overparameterized Multi-Task Networks for Degraded Web Image Restoration [1.9336815376402718]
  マルチタスク画像復元モデルを圧縮する手法を提案する。 提案手法は,低マグニチュード重みを除去する反復的プルーニング戦略を用いて,MIR-Lモデルを提案する。 テストの結果、MIR-Lはトレーニング可能なパラメータの10%しか保持せず、高い画像復元性能を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-10-16T09:04:05Z)
• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration [100.54419875604721]
  オールインワン画像復元は、各分解に対してタスク固有の非ジェネリックモデルを持たずに、統一されたモデルで異なるタイプの劣化に対処する。 我々は、オールインワン画像復元タスクのためのエンコーダデコーダ方式で設計されたネットワークの動的ファミリであるDyNetを提案する。 我々のDyNetは、よりバルク化と軽量化をシームレスに切り替えることができるので、効率的なモデルデプロイメントのための柔軟性を提供します。
  論文  参考訳（メタデータ） (2024-04-02T17:58:49Z)
• Dr$^2$Net: Dynamic Reversible Dual-Residual Networks for Memory-Efficient Finetuning [81.0108753452546]
  本稿では,メモリ消費を大幅に削減した事前学習モデルを微調整するために,動的可逆2次元ネットワーク(Dr$2$Net)を提案する。 Dr$2$Netは2種類の残差接続を含み、1つは事前訓練されたモデルの残差構造を維持し、もう1つはネットワークを可逆的にしている。 Dr$2$Netは従来の微調整に匹敵する性能を持つが、メモリ使用量は大幅に少ない。
  論文  参考訳（メタデータ） (2024-01-08T18:59:31Z)
• Controlling Vision-Language Models for Multi-Task Image Restoration [6.239038964461397]
  我々は、事前学習された視覚言語モデルを低レベル視覚タスクに転送するための劣化認識型視覚言語モデル(DA-CLIP)を提案する。 本手法は, 画像修復作業の高度化と高度化の両面において, 最先端の性能向上を図っている。
  論文  参考訳（メタデータ） (2023-10-02T09:10:16Z)
• Residual Back Projection With Untrained Neural Networks [1.2707050104493216]
  CT(Computed tomography)における反復的再構成(IR)の枠組みについて述べる。 我々のフレームワークは、この構造情報をDIP(Deep Image Prior)として組み込んでいる。 対象関数を最小限に抑え,高精度な再構成を実現するために,未学習のU-netと新たな後方投射を併用して提案する。
  論文  参考訳（メタデータ） (2022-10-26T01:58:09Z)

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。