論文の概要: Severity-Channel Conditioning: An Injection-Level Study for Consumer-Device Deblurring

• arxiv url: http://arxiv.org/abs/2610.24599v1
• Date: Sat, 17 Oct 2026 10:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:29:41.499244
• Title: Severity-Channel Conditioning: An Injection-Level Study for Consumer-Device Deblurring
• Title（参考訳）: Severity-Channel Conditioning:Consumer-Device Deblurringにおけるインジェクションレベルスタディ
• Abstract要約: モーションデブロアリングモデルは、プロのカメラからスマートフォン由来の画像に移行すると、かなり精度が低下する。 本稿では,iPhoneBlurのコンシューマーデバイスベンチマークにおける重大記述器の適応性について検討する。
• 参考スコア（独自算出の注目度）: 1.8899300124593645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion-deblurring models lose substantial accuracy when transferred from professional cameras to smartphone-derived imagery. This paper studies whether a severity descriptor, partly derived from the paired sharp target, helps adaptation on the iPhoneBlur consumer-device benchmark. Under a shared update budget, input concatenation of a severity map is compared with global feature modulation by capture metadata, spatial feature modulation by the severity map, and a tier-contrastive output objective, together with an unconditioned spectral-loss control, all fine-tuned from the same domain-adapted latent-diffusion baseline. The primary experiment is an oracle diagnostic: target-derived information is supplied at inference. For the evaluated model pair, input concatenation improves overall peak signal-to-noise ratio from 31.23 to 31.30 dB, whereas feature modulation, the contrastive objective, and the spectral-loss control do not exceed the baseline. The gain is positive on 87.2% of test images and on 14 of 15 held-out source videos; this video-level analysis describes the evaluated checkpoint pair and does not establish robustness to retraining, and three training seeds are reported separately. The input-level gain recurs on a transformer backbone. In one exploratory run, zeroing the channel at inference retains most of the gain in peak signal-to-noise ratio but lowers structural similarity below the baseline. A normalized-step diagnostic does not support the expected larger-gradient explanation. The results characterize the evaluated configurations and do not establish injection location as the sole cause, a spatial-locality mechanism, or a reliable deployment advantage.
• Abstract（参考訳）: モーションデブロアリングモデルは、プロのカメラからスマートフォン由来の画像に移行すると、かなり精度が低下する。 本論文は,iPhoneBlurのコンシューマ・デバイス・ベンチマークに適応する上で,厳密な記述子(ペア化されたシャープターゲットから部分的に派生したもの)が有効かどうかを考察する。 共有更新予算の下では、重大度マップの入力結合を、メタデータの取得による大域的特徴変調、重大度マップによる空間的特徴変調、および重大度コントラスト出力目標と、同じドメイン適応潜在拡散ベースラインから微調整された無条件スペクトル損失制御とを比較した。 第一の実験はオラクル診断(英語版)であり、ターゲット由来の情報は推論時に供給される。 評価されたモデルペアの場合、入力結合は、全体のピーク信号とノイズの比を31.23から31.30dBに改善するが、特徴変調、コントラスト目的、スペクトル損失制御はベースラインを超えない。 このビデオレベルの分析では、評価されたチェックポイントペアを記述し、再トレーニングに対する堅牢性を確立しておらず、3つのトレーニングシードを別々に報告する。 入力レベルゲインは、トランスのバックボーンに再帰する。 ある探索的な実行では、チャネルを推論でゼロにすることは、ピーク信号とノイズの比率のほとんどを維持できるが、ベースラインよりも構造的類似度が低い。 正規化段階診断は、期待されるより大きな段階的な説明をサポートしない。 その結果、評価された構成を特徴付けるとともに、唯一の原因、空間的局所性メカニズム、信頼性の高い配置上の利点として注入位置を確立することができない。

関連論文リスト

• Adversarial Training for Pixel Diffusion [56.81974037444868]
  画素拡散モデルは、オートエンコーダのボトルネックを避けるためにRGB画像を直接生成する。 対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。
  論文  参考訳（メタデータ） (2026-09-29T17:59:41Z)
• CausalGate: Causal Importance Distillation for Transformer Module Pruning [0.0]
  CausalGateは、計算効率の良いランタイム推論のための介入誘導フレームワークである。 最終ロジット分布のKullback-Leibler分散による意味的損傷を測定する。 動的ルーティングやレイヤスキャッピングベースラインよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-07-21T20:19:59Z)
• When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
  本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。 この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
  論文  参考訳（メタデータ） (2026-06-05T05:20:32Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment [27.352639822596146]
  クロスワーカーの損失と勾配のばらつきは、従来の監視信号では見えない。 本稿では,標準パイプラインで容易に利用できるトレーニング信号を用いて,作業者レベルの一貫性を定量化する,モデルに依存しない診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T04:42:30Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
  解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。 この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。 本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T21:17:26Z)

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。