論文の概要: SASFormer: Stage-Aware Selective Attention Transformer for All-in-One Blind Image Restoration

• arxiv url: http://arxiv.org/abs/2611.00523v1
• Date: Sat, 31 Oct 2026 01:27:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:22:09.704299
• Title: SASFormer: Stage-Aware Selective Attention Transformer for All-in-One Blind Image Restoration
• Title（参考訳）: SASFormer:オールインワンブラインド画像復元のためのステージアウェア選択注意変換器
• Abstract要約: SASFormerは、オールインワンブラインド画像復元のためのStage-Aware Selective Attention Transformerである。 適応選択チャネル自己注意(ASCSA)と適応選択空間自己注意(ASSSA)を開発した。
• 参考スコア（独自算出の注目度）: 17.93235662414832
• License:
• Abstract: All-in-one image restoration aims to recover high-quality images from multiple degradation types using a single unified model. Recent methods improve unified restoration with hybrid attention, prompt learning, or routing mechanisms, but generally focus on enhancing degradation adaptivity while employing similar feature modeling strategies across network stages. Consequently, the distinct representation requirements of encoding and decoding under diverse degradations remain insufficiently explored. In this paper, we propose SASFormer, a Stage-Aware Selective Attention Transformer for all-in-one blind image restoration. SASFormer follows a stage-aware design principle: the encoder uses established hybrid channel-spatial attention to build robust content-preserving and degradation-aware representations, while the decoder employs adaptive selective attention for restoration-oriented reconstruction. To address the stage-specific requirements of decoder reconstruction, we develop Adaptive Selective Channel Self-Attention (ASCSA) and Adaptive Selective Spatial Self-Attention (ASSSA), enabling the decoder to dynamically identify restoration-relevant channel responses and spatial contexts. Specifically, ASCSA performs adaptive query-channel selection and attention masking, while ASSSA adaptively integrates spatial attention across multiple window sizes. Compact implicit prompts further modulate the selection process without requiring explicit degradation labels. Extensive experiments on 3-, 5-, and 11-degradation settings demonstrate that SASFormer achieves strong restoration performance with favorable parameter efficiency. Moreover, stage-wise representation analysis and ablation studies provide empirical support for the proposed stage-aware design and the effectiveness of decoder-side adaptive selection.
• Abstract（参考訳）: オールインワン画像復元は、単一の統一モデルを用いて、複数の劣化型から高品質な画像を復元することを目的としている。 近年の手法では, 統合的修復を, ハイブリットアテンション, 即時学習, ルーティング機構で改善しているが, 一般的には, ネットワークステージにまたがる同様の特徴モデリング戦略を採用しながら, 劣化適応性の向上に重点を置いている。 その結果、様々な劣化下での符号化と復号の異なる表現要件は、まだ十分に検討されていない。 本稿では,オールインワンブラインド画像復元のためのステージアウェア選択注意変換器であるSASFormerを提案する。 SASFormerはステージアウェア設計の原則に従う: エンコーダは確立されたチャネル空間の注意を使って、堅牢なコンテンツ保存と劣化認識の表現を構築する。 適応選択チャネル自己認識 (ASCSA) と適応選択空間自己認識 (ASSSA) を開発し, 復調関連チャネル応答と空間コンテキストを動的に識別する。 具体的には、ASCSAは適応的なクエリチャネル選択とアテンションマスキングを行い、ASSSAは複数のウィンドウサイズにわたる空間アテンションを適応的に統合する。 コンパクトな暗黙のプロンプトは、明示的な劣化ラベルを必要とせず、選択プロセスをさらに調整する。 SASFormerは, 3, 5-, 11-degradation設定の広範囲な実験により, 良好なパラメータ効率で高い復元性能が得られることを示した。 さらに、ステージワイド表現分析およびアブレーション研究は、提案したステージアウェア設計とデコーダ側適応選択の有効性を実証的に支援する。

関連論文リスト

• Towards Any-Quality Image Segmentation via Generative and Adaptive Latent Space Enhancement [27.566673104431725]
  Segment Anything Models (SAM) は例外的なゼロショットセグメンテーション性能で知られている。 しかし、その性能は著しく劣化した低品質の画像に対して著しく低下し、現実のシナリオではその効果が制限される。 低画質画像におけるロバスト性を高めるために生成遅延空間拡張を利用するGleSAM++を提案する。
  論文  参考訳（メタデータ） (2026-01-05T11:28:58Z)
• Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
  コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。 本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-14T08:24:57Z)
• Crafting Query-Aware Selective Attention for Single Image Super-Resolution [3.133812520659661]
  SISR(Single Image Super-Resolution)は、低解像度の入力から高解像度の画像を再構成し、画像の詳細を向上する。 本稿では,クエリの類似性に基づいて,最も関連性の高いキー値ウィンドウを動的に選択するSSCANを提案する。 実験の結果、SSCANは既存のアテンションベースSISR法よりも優れており、都市データセットの最大0.14dBPSNR改善を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-04-09T07:17:29Z)
• Sampling Innovation-Based Adaptive Compressive Sensing [12.984866049391709]
  シーン認識型適応圧縮センシング(ACS)は、シーン画像の効率的かつ高忠実な取得を可能にするため、大きな関心を集めている。 本稿では,課題の画像再構成領域へのサンプリングを効果的に識別し,割り当てするSampring Innovation-Based ACS (SIB-ACS) 手法を提案する。 SIB-ACS法は画像再構成の忠実度や視覚効果の点で最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-17T14:54:13Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• SSR-Encoder: Encoding Selective Subject Representation for Subject-Driven Generation [39.84456803546365]
  SSRエンコーダ(SSR-Encoder)は、単一のまたは複数の参照画像から任意の対象を選択的にキャプチャするように設計された新しいアーキテクチャである。 テストタイムの微調整を必要とせずに、テキストやマスクなど、さまざまなクエリのモダリティに応答する。 SSRエンコーダはモデルの一般化性と効率によって特徴付けられ、様々なカスタムモデルや制御モジュールに対応している。
  論文  参考訳（メタデータ） (2023-12-26T14:39:11Z)
• Cross-Consistent Deep Unfolding Network for Adaptive All-In-One Video Restoration [78.14941737723501]
  オールインワンVRのためのクロスコンセントディープ・アンフォールディング・ネットワーク(CDUN)を提案する。 2つのカスケード手順を編成することにより、CDUNは様々な劣化に対する適応的な処理を達成する。 さらに、より隣接するフレームからの情報を活用するために、ウィンドウベースのフレーム間融合戦略を導入する。
  論文  参考訳（メタデータ） (2023-09-04T14:18:00Z)

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。