Restore, Assess, Repeat: 反復型画像復元のための統一フレームワーク

arXiv cs.CV / 2026/3/30

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、未知かつ複合的な劣化に対する汎化性能を高めるために、画像品質評価（IQA）と画像復元（IR）を統合した反復型フレームワーク「RAR（Restore, Assess, and Repeat）」を提案する。
RARは復元を完全に潜在（latent）領域で実行し、劣化の識別、復元、品質検証をエンドツーエンドで学習可能なモデル内で共同で扱う。
IQAとIRを密に統合することで、特にデコード手順の際にIQAと復元を別モジュールとして保持した場合に起こり得る遅延の削減と情報損失の低減を実現する。
実験では、単一、未知、複合の劣化シナリオにおいて、従来手法よりも一貫した改善が報告され、新たな最先端（state-of-the-art）性能を主張している。

要旨: 画像復元は、悪天候、ぼかし、または低照度などのさまざまな要因によって劣化した入力から高品質な画像を復元することを目的とします。近年の研究では、個別または統一された復元タスクにおいて目覚ましい進歩が示されている一方で、未知または複合的な劣化を扱う際には、一般化能力の限界と非効率さが依然として課題となっています。これらの制約に対処するために、本論文では RAR（Restore, Assess and Repeat）を提案します。これは、画像品質評価（IQA）と画像復元（IR）を統一的な枠組みに統合し、反復的かつ効率的に高品質な画像復元を達成するプロセスです。具体的には、潜在領域のみにおいて動作する復元プロセスを導入し、劣化同定、画像復元、品質検証を共同で実行します。その結果得られるモデルはエンドツーエンドで完全に学習可能であり、復元プロセスを動的に適応させるオールインワンの「評価して復元する」アプローチを可能にします。また、IQAとIRを統一モデルとして密に統合することで、これら2つのモジュールを分離したままにすることによって通常生じる遅延と情報損失（例：画像および/またはテキストのデコード中）を最小化します。大規模な実験により、提案手法が単一の未知劣化および複合劣化のいずれにおいても一貫した改善をもたらすことが示され、これにより新たな最先端の水準を確立します。