論文の概要: Look Before You Restore: Learning to Predict Before Acting for Agentic Image Restoration

• arxiv url: http://arxiv.org/abs/2610.20384v1
• Date: Wed, 14 Oct 2026 15:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.241172
• Title: Look Before You Restore: Learning to Predict Before Acting for Agentic Image Restoration
• Title（参考訳）: 再ストア前に見る: エージェント画像の復元に先立って予測を学ぶ
• Abstract要約: 実行前にツールの結果を予測するエージェント復元フレームワークであるPreActIRを提案する。 各候補ツールに対して、ツール条件付きワールドモデルは、残留劣化、画質、忠実度の変化を予測する。 PreActIRは実際のツールコールを42.5%、拒否されたコールを63.4%削減している。
• 参考スコア（独自算出の注目度）: 52.44858327464349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agents for mixed-degradation image restoration typically learn what a tool does to an image only after running it: failed calls waste computation and harmful outputs go unnoticed until too late. We propose PreActIR, an agentic restoration framework that predicts tool consequences before execution. For each candidate tool, a tool-conditioned world model forecasts changes in residual degradation, image quality, and fidelity, together with the risk of harm and the uncertainty of the prediction. The agent executes the top-ranked candidate, and an independent verifier commits or rolls back its output before the agent replans from the observed state. PreActIR also audits whether performance is limited by the selector or by the candidate space, and studies targeted tool adaptation as a controlled way to expand that space. In a controlled evaluation that fixes the candidate pool, verifier, and budget and employs reference-annotated degradation states, PreActIR uses 42.5% fewer real tool calls and 63.4% fewer rejected calls than reactive, execute-then-evaluate trial and error, while improving Y-PSNR by 0.92 dB.
• Abstract（参考訳）: 混合劣化画像復元のエージェントは通常、実行後にのみツールがイメージに何をするかを学ぶ。 実行前にツールの結果を予測するエージェント復元フレームワークであるPreActIRを提案する。 各ツールに対して、ツール条件付き世界モデルでは、残留劣化、画質、忠実度の変化を予測し、損傷のリスクと予測の不確かさを予測する。 エージェントは上位候補を実行し、独立検証者は、エージェントが観察された状態から再計画する前に出力をコミットまたはロールバックする。 PreActIRはまた、セレクタによって性能が制限されているか、あるいは候補空間によって性能が制限されているかを検査し、その空間を拡張するための制御方法としてツール適応を目標とする研究を行っている。 PreActIRは、候補プール、検証器、予算を修正し、参照アノテートされた劣化状態を使用する制御された評価において、実際のツールコールを42.5%削減し、拒否された呼び出しを63.4%削減し、Y-PSNRを0.92dB改善した。

関連論文リスト

• From Approval to Execution: Reconstruction-Aware Repair Analysis for LLM-Agent Software [25.642877600581105]
  我々は、表現遷移、依存関係のシンク、消費されたバージョン、許容範囲に関する再構成安定な認可を定式化する。 我々はAPAS-Finderで解析を行い、独立したシンクオラクルが実行を観察する前に予測を凍結する。
  論文  参考訳（メタデータ） (2026-09-22T14:53:03Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• SkillIR: Evolving Scene-Aware Skills for Agentic Image Restoration [16.788379147863083]
  マルチモーダルエージェントは、複雑な劣化によるイメージの回復のために、特別な修復ツールを調整します。 既存の復元エージェントは、しばしば元の劣化した画像から完全なツールの使用計画を導き出したり、以前成功した軌道を回収する。 本稿では,回復経験を劣化中心のアクションエビデンスとして表現するスキルガイドフレームワークであるSkillIRを提案する。
  論文  参考訳（メタデータ） (2026-09-18T08:17:31Z)
• SafeRestore: Detector-Relative Risk Certificates for Selective Industrial Image Restoration [4.906746849209501]
  産業用検査パイプラインは、検出器が作用する前に測定画像を復元することが多いが、修復は検出器が支持する欠陥構造を抑えるか、クリーン領域の活性化を生成することができる。 本研究は, ディスプレイ上の選択的動作問題, 5つの復元候補, レビューとして復元を定式化する。 SafeRestoreは、アクション固有の適合スコアで候補をランク付けし、しきい値調整データ上でゲートを選択し、一方の正確な2つの二項境界を持つ不一致認定サンプル上で固定ゲートを評価する。
  論文  参考訳（メタデータ） (2026-09-03T07:32:42Z)
• Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
  エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。 ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
  論文  参考訳（メタデータ） (2026-08-21T18:34:48Z)
• 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)
• TTHE: Test-Time Harness Evolution [50.26245555541721]
  既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。 我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。 評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。 その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
  論文  参考訳（メタデータ） (2026-07-09T05:53:39Z)
• Reinforced Agent: Inference-Time Feedback for Tool-Calling Agents [6.158612515104146]
  エージェントフィードバックとレビュアーフィードバックのトレードオフを測定するために、ヘルプフルネス・ハームフルネスメトリクスを導入します。 我々はBFCLとTau2-Bench(マルチターンステートフルシナリオ)に対するアプローチを評価し、無関係検出では+5.5%、マルチターンタスクでは+7.1%を達成した。 GPT-4oでは,評価モデルo3-miniが3:1の利益率と2.1:1の利益率を達成した。
  論文  参考訳（メタデータ） (2026-04-29T22:09:47Z)
• Quantifying Distributional Robustness of Agentic Tool-Selection [8.457056023589951]
  ツール選択の堅牢性を正式に認定する最初の統計フレームワークであるToolCertを紹介する。 本稿では,ToolCertが精度に高い信頼度を低下させ,エージェントの最悪の性能を定量的に評価することを示す。 偽装ツールを注入したり、検索を飽和させたりすることで、認証された精度はゼロ近く低下する。
  論文  参考訳（メタデータ） (2025-10-05T01:50:34Z)

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。