Fugu-MT 論文翻訳(概要): BiNar: Bitstream Native Restorer for Bitstream-corrupted Image Restoration

論文の概要: BiNar: Bitstream Native Restorer for Bitstream-corrupted Image Restoration

arxiv url: http://arxiv.org/abs/2610.24094v1
Date: Fri, 16 Oct 2026 18:22:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-26 11:04:42.334087
Title: BiNar: Bitstream Native Restorer for Bitstream-corrupted Image Restoration
Title（参考訳）: BiNar:Bitstream崩壊した画像復元のためのBitstreamネイティブレゾラー
Abstract要約: Bitstream Native Restorer (BiNar)は、ビットストリームの破損した画像復元のための生成的復元フレームワークである。 BiNarは、微細なビットストリームネイティブセマンティクスを使用して、ビットストリームの破損したイメージ復元をガイドする。
参考スコア（独自算出の注目度）: 19.338682059565055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bitstream-corrupted image restoration (BCIR) aims to reconstruct faithful images from corrupted compressed bitstreams. However, corruption occurs in bitstream-domain may lead to unpredictable error propagation and distortion amplification in pixel-domain, and even result in complete undecodability by standard decoders, posing significant challenge to existing image restoration paradigms. To address this challenge, we propose Bitstream Native Restorer (BiNar), a generative restoration framework that leverages fine-grained bitstream-native semantics to guide bitstream-corrupted image restoration. In BiNar, Bitstream Semantic Modeling (BSeM) extracts robust informative semantics and models sequential bytes directly from corrupted bitstream, enabling to generate fine-grained bitstream descriptions without relying on pixel decoding. Based on the descriptions,the Corruption-adaptive Multimodal Semantic Aggregation (CMSA) further extracts adaptive visual modal cues in decoded corrupted images and aggregates to bitstream descriptions. The multimodal aggregated fine-grained descriptions can serve as coherent restoration guidance. Finally, Blind Corruption Localization (BCoL) exploits the segmentation prior of visual foundation models to identify and locate error regions that requires recovery in corrupted images. The located error regions and the fine-grained descriptions jointly serve as visual prompt and language prompt of diffusion models image restoration, respectively. Extensive experiments under diverse bitstream corruption conditions show that BiNar outperforms all State-of-the-arts image restoration models regardless of perceptual quality or objective quality. Ablation studies demonstrate the effectiveness of fine-grained bitstream-native semantics in BCIR task.
Abstract（参考訳）: ビットストリーム崩壊画像復元(BCIR)は、圧縮された圧縮されたビットストリームから忠実なイメージを再構成することを目的としている。しかし、ビットストリーム領域の破損は、画素領域における予測不可能なエラーの伝播と歪みの増幅を引き起こし、標準デコーダによる完全な非復号化さえも生じ、既存の画像復元パラダイムに重大な課題を生んでいる。この課題に対処するために、我々は、細粒度のビットストリームネイティブなセマンティクスを活用してビットストリームの破損した画像復元をガイドする生成的復元フレームワークであるBitstream Native Restorer (BiNar)を提案する。 BiNarでは、ビットストリームセマンティック・モデリング(BSeM)が、破損したビットストリームから直接、堅牢な情報的セマンティック・セマンティック・セマンティック・モデルとシーケンシャル・バイトを抽出し、ピクセルデコーディングに頼ることなく、きめ細かいビットストリーム記述を生成する。これらの記述に基づき、CMSA(Corruption-Adaptive Multimodal Semantic Aggregation)は、デコードされた画像の適応的な視覚的モーダルキューを抽出し、ビットストリーム記述に集約する。マルチモーダル集約されたきめ細かい記述は、コヒーレントな復元ガイダンスとして機能する。最後に、Blind Corruption Localization (BCoL)は、視覚基盤モデルの前のセグメンテーションを利用して、破損した画像の回復を必要とするエラー領域を特定し、特定する。位置誤差領域と微細な記述は、それぞれ拡散モデル画像復元の視覚的プロンプトと言語的プロンプトとして機能する。様々なビットストリームの破損条件下での大規模な実験により、BiNarは知覚品質や客観的品質に関わらず、すべての最先端画像復元モデルより優れていた。アブレーション研究は、BCIRタスクにおけるきめ細かいビットストリームネイティブセマンティクスの有効性を示す。

関連論文リスト

Image Bitstream Fine-grained Understanding for Privacy-Friendly AIoT [14.473522141345635]
Image Bitstream Fine-fine Understanding (IBFU) は、エンコードされた画像バイトシーケンスから、きめ細かな分類と意味記述を生成することを目的としている。画素レベルのビジュアルコンテンツは推論中に明示的に再構成されないため、このパラダイムは処理パイプライン内の視覚的露出を低減する。本稿では、プライバシーに配慮したAIoTの微粒化理解のための実用的なパラダイムを提供する。
論文参考訳（メタデータ） (2026-10-06T14:18:54Z)
Rethinking Generative Image Compression at Extremely Low Bitrates [56.035931340138006]
本稿では、圧縮された表現とソース表現を直接アライメントする表現オートエンコーダ(RAE)空間上に構築された圧縮指向拡散(CoD)であるRAE-CoDを紹介する。 5つの視覚基盤モデル(VFM)と視覚言語モデルプロトコルを用いて,この枠組みを評価する。
論文参考訳（メタデータ） (2026-09-30T08:53:11Z)
ByteAction: Byte-space Action Recognition Foundation Model [21.295794335147082]
Byte-space Action Recognition (BAR) は、圧縮された画像のビットストリームから直接人間の行動を認識することを目的としている。劣化した画像のビットストリーム上で正確な動作認識を実現するBAR基盤モデルByteActionを提案する。
論文参考訳（メタデータ） (2026-08-24T03:31:51Z)
Towards Bitstream-corrupted Harsh Visual Understanding: Through Bitstream Language Modeling as Robust Semantic Priors [14.91030843318295]
Bitstreamの崩壊したHarsh Visual Understanding (BcHVU)は、現実世界のマルチメディア通信において、ひどい劣化したビットストリームからデコードされた過酷な劣化したビデオを理解することを目的としている。本稿では,bitstream-native semantic cues の学習と注入のためのフレームワークである Robust Semantic Priors (BLMSP) として Bitstream Language Modeling を提案する。提案するBLMSPフレームワークは,ビットストリーム言語モデルを用いて,ビットストリームネイティブなセマンティックキューを抽出し,BcHVUタスクのオフザシェルフビジョンモデルにインジェクションすることで,それらを先行として活用する。
論文参考訳（メタデータ） (2026-08-22T08:16:58Z)
Bitstream Action Recognition is Byte Modeling [33.87306245425509]
ストレージや送信中のビットストリームの破損は、深刻な視覚的アーティファクトやデコード障害を引き起こす可能性がある。我々は新しいBARフレームワーク、Achoring Corrupted Embeddings (BRACE) によるビットストリーム認識を提案する。 BRACEは二重ブランチのバイトモデリングアーキテクチャで、破損したビットストリームとそれと無関係なビットストリームを、同じアクションの2つのバイト実現として扱う。
論文参考訳（メタデータ） (2026-08-16T11:57:05Z)
NTIRE 2026 Challenge on Bitstream-Corrupted Video Restoration: Methods and Results [106.34700405808155]
NTIRE 2026 Bitstream-Corrupted Video Restoration (BSCVR) の挑戦 NTIRE 2026 Challenge on Bitstream-Corrupted Video Restoration (BSCVR) の報告
論文参考訳（メタデータ） (2026-04-08T11:08:55Z)
Towards Blind Bitstream-corrupted Video Recovery via a Visual Foundation Model-driven Framework [28.383016293452652]
ビットストリームの破損したビデオリカバリは、困難かつ未調査の課題として浮上した。本稿では,視覚的基盤モデルと回復モデルを統合した最初の視覚的ビットストリーム崩壊ビデオ回復フレームワークを提案する。本手法は,手動でラベル付けしたマスクシーケンスを必要とせずに,ビットストリームの破損した映像の再生において優れた性能を実現する。
論文参考訳（メタデータ） (2025-07-30T08:31:54Z)
AllRestorer: All-in-One Transformer for Image Restoration under Composite Degradations [52.076067325999226]
本稿では,新しいトランスフォーマーベースの復元フレームワークAllRestorerを提案する。 AllRestorerは、すべてのイメージ障害を適応的に考慮し、シーンディスクリプタのミスダイレクトによるエラーを避ける。 CDD-11データセットのベースラインと比較して,AllRestorerはPSNRの5.00dB増加を実現している。
論文参考訳（メタデータ） (2024-11-16T05:30:55Z)
HybridFlow: Infusing Continuity into Masked Codebook for Extreme Low-Bitrate Image Compression [51.04820313355164]
HyrbidFlowは、連続的な機能ベースのストリームとコードブックベースのストリームを組み合わせることで、極めて低い条件下で高い知覚品質と高い忠実性を実現する。実験の結果、超低速で複数のデータセットにまたがる優れた性能が示された。
論文参考訳（メタデータ） (2024-04-20T13:19:08Z)
Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-22T04:04:56Z)

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。