論文の概要: Wonder 4: A Mixture-of-Experts Recipe for Image Quality Enhancement
- arxiv url: http://arxiv.org/abs/2611.05294v1
- Date: Tue, 03 Nov 2026 18:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:09:28.238823
- Title: Wonder 4: A Mixture-of-Experts Recipe for Image Quality Enhancement
- Title(参考訳): ワンダー4:画像品質向上のためのMixture-of-Experts Recipe
- Abstract要約: 実際の写真は、しばしばぼやけた、粒状で、圧縮され、傷つき、同時に低解像度である。
本稿では,画像品質向上のための実験用混合モデルWonder 4を提案する。
実際の写真の複数の欠陥を同時に修正する。
- 参考スコア(独自算出の注目度): 10.38723976146303
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A real photograph is often blurry, grainy, compressed, scratched, and low-resolution at the same time. Each defect has its own severity and its own place in the image. The corrections for these defects conflict with each other. Exist- ing models describe the whole image with one description, so they cannot say where each correction belongs. To solve this problem, we present Wonder 4, a mixture-of-experts (MoE) model for image quality enhancement. It corrects several defects of a real photograph at the same time, each in the region where it occurs. Every block of the model holds a mixture of N = 13 experts. A router, trained with the model, sends every image patch to k = 5 of them. No degradation classifier, mask, prompt, detector, or task label is used. Another issue is that standard MoE training, taken from language models, pushes every expert toward equal use. Equal use applies every correction everywhere, even where it is not needed. We replace this rule with a bias that only sets a minimum share of use. Across all patches, an expert used less than this minimum gets higher router scores until it is selected again. An expert above the minimum is not changed, so no expert is forced to be used as often as the others. The bias needs no extra loss. The method adds no extra module and no extra processing step. We evaluate Wonder 4 on DIV2K and Flickr2K, against five published methods and three open-weight pipelines. It reaches the best LPIPS, DISTS, and NIQE on all three test settings (DIV2K x4, DIV2K x8, and Flickr2K x4).
- Abstract(参考訳): 実際の写真は、しばしばぼやけた、粒状で、圧縮され、傷つき、同時に低解像度である。
それぞれの欠陥は、画像の中に独自の重大さと場所を持っている。
これらの欠陥の修正は互いに矛盾する。
既存のingモデルでは、画像全体を1つの記述で記述しているため、各補正が属する場所を判断することはできない。
そこで本研究では,画像品質向上のためのMix-of-experts(MoE)モデルであるWonder 4を提案する。
実際の写真の複数の欠陥を同時に修正する。
モデルの各ブロックは N = 13 のエキスパートの混合を持つ。
モデルで訓練されたルータは、すべてのイメージパッチをk = 5に送信する。
劣化分類器、マスク、プロンプト、検出器、タスクラベルは使用しない。
もうひとつの問題は、言語モデルから取られた標準のMoEトレーニングが、すべての専門家を平等な使用に向けて押し付けていることだ。
平等な使用は、すべての修正を、必要のない場所でも、どこでも適用します。
私たちはこのルールを、最小使用率のみを設定するバイアスに置き換えます。
パッチ全体を通じて、この最小限未満の使用した専門家は、再び選択されるまで、より高いルータスコアを取得する。
最低限以上の専門家は変更されないため、他の専門家と同じ頻度で専門家を使わざるを得ない。
バイアスは余分な損失を必要としない。
このメソッドは余分なモジュールを追加せず、余分な処理ステップも不要である。
DIV2KとFlickr2KのWonder 4を5つの公開手法と3つのオープンウェイトパイプラインに対して評価した。
LPIPS、disTS、NIQEの3つのテスト設定(DIV2K x4、DIV2K x8、Flickr2K x4)でベストとなる。
関連論文リスト
- BluePixel: Toward Native 4K Agentic Image Editing [42.31202870940974]
エージェントハーネスを備えたネイティブ4K編集モデルであるBluePixelを提案する。
プログレッシブなVAE適応により、1K対応のエディタをネイティブな4Kエディタに変換する。
BluePixelは、7つのモデルの中で第2位であり、非編集領域の一貫性においてGPT Image 2に次いでいる。
論文 参考訳(メタデータ) (2026-10-14T09:37:09Z) - Scalable Minimal-Change Learning for Controllable Image Editing [83.94093358607684]
画像編集は、他のものをすべて保存しながら、命令によって指定された属性だけを変更するべきである。
我々は、この最小変化原理を命令ベースの編集の最適化目的として扱う。
エージェントビジョン言語報酬モデルでは、ソース画像、命令、編集された画像を2つの障害タイプで監査する。
FLUX.1 Kontext-devでは、ARROは平均EditScoreをMinEval、MagicBrush、AnyBench、Emu-Editの5.21から5.88に引き上げている。
論文 参考訳(メタデータ) (2026-10-05T09:18:55Z) - LoopLUT: 3D Lookup Tables with Progressive Region Refinement for Real-Time 4K Image Enhancement [19.289549222817435]
LoopLUTはプログレッシブリファインメントを備えた3D LUTである。
グローバル LUT が全体の修正を行い、その後 K-1 ループの繰り返しが続く。
4つのベンチマーク実験により、LoopLUTは最強の先行法よりも最大2.81dBのPSNRを改善することが示された。
論文 参考訳(メタデータ) (2026-09-27T14:10:55Z) - Half the Experts, All the Code: One-Shot Domain Pruning of Mixture-of-Experts LLMs for Coding [0.0]
オープンウェイトコーディングモデルは、Mix-of-experts (MoE)ネットワークである。
その大きさの大半は「エキスパート」ワークの大きなプールから来ています。
専門家のプルーニングは機能しますが、モデルが実際に機能するタスクに対して、モデルごとのバリデーションが必要です。
論文 参考訳(メタデータ) (2026-07-18T09:17:41Z) - 4KAgent: Agentic Any Image to 4K Super-Resolution [62.99433518118836]
我々は、任意の画像を4K解像度にスケールアップするために設計された超高解像度のジェネラリストシステムである4KAgentを提示する。
4KAgentは,(1)ベズークのユースケースに基づいて4KAgentパイプラインをカスタマイズするモジュールであるプロファイリング,(2)画像品質評価の専門家とともに視覚言語モデルを活用して入力画像を分析し,調整された復元計画を作成するパーセプションエージェント,(3)各ステップの最適出力を選択するための品質駆動混合ポリシーに従って計画を実行するリカバリエージェント,の3つのコアコンポーネントから構成される。
われわれは4kagentを厳格に評価する
論文 参考訳(メタデータ) (2025-07-09T17:59:19Z) - OmniEdit: Building Image Editing Generalist Models Through Specialist Supervision [32.33777277141083]
我々は,7種類の画像編集タスクをシームレスに処理できる全能なエディタであるomnieditを提案する。
omnieditは7つの異なるスペシャリストモデルの監督を利用して、タスクカバレッジを確保することで訓練される。
当社のモデルが野生のどんな画像でも扱えるように、アスペクト比の異なる画像を提供しています。
論文 参考訳(メタデータ) (2024-11-11T18:21:43Z) - Learning Subject-Aware Cropping by Outpainting Professional Photos [69.0772948657867]
本稿では,高品質な主観的作物を生産する要因を,プロのストックイメージから学習するための弱教師付きアプローチを提案する。
私たちの洞察は、ストックイメージのライブラリと、最新のトレーニング済みのテキスト-画像拡散モデルを組み合わせることです。
我々は、収穫された無作為のトレーニングペアの大規模なデータセットを自動的に生成して、収穫モデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2023-12-19T11:57:54Z) - Exploiting Unlabelled Photos for Stronger Fine-Grained SBIR [103.51937218213774]
本稿では,先行技術の11%をオーバーシュートする強力なベースラインを提示することにより,微細なスケッチベース画像検索(FG-SBIR)の文献化を推し進める。
本稿では,写真/スケッチインスタンス間の分離を明示的に実施する標準的な三重項損失の簡単な修正を提案する。
i) スケッチ間でのモダル内トリプルトロスを利用して、同じインスタンスのスケッチを他のインスタンスに近づけます。
論文 参考訳(メタデータ) (2023-03-24T03:34:33Z) - Improving Zero-shot Generalization and Robustness of Multi-modal Models [70.14692320804178]
CLIPやLiTのようなマルチモーダルな画像テキストモデルは、画像分類ベンチマークで顕著な性能を示している。
本研究は,この性能差の原因を考察し,テキストプロンプトの曖昧さによる障害事例の多くが原因であることを示す。
本稿では,WordNet階層を用いて,不確実な画像の精度を向上させるための簡易かつ効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-12-04T07:26:24Z)
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。