Core Concepts
複数の画像修復タスクを1つのモデルで処理するための効果的な学習戦略を提案し、MiO IRモデルの性能を向上させる。
Abstract
単一タスク画像修復は成功しているが、複数のIRタスクを1つのモデルで処理することは依然として課題。
2つの主要な課題(多様な目的関数の最適化とタスクへの適応)に対処するために、2つのシンプルかつ効果的な戦略を提案。
7つの人気あるIRタスクを含むMiO IR問題に焦点を当て、CNNおよびTransformerバックボーンで実験を行い、性能向上を示す。
逐次学習戦略は目的関数多様性を最適化し、明示的または適応型プロンプト学習はタスク適応性に対処する。
提案された学習戦略は互い補完し合い、深層特徴表現を改善し、汎用IRモデル訓練に貢献する。
Stats
著者らが提案した逐次および即座学習戦略はSRResNet/SwinIRで平均PSNRが0.29/0.85 dB向上した。
提案された逐次および即座学習戦略はCNNおよびTransformerバックボーンでIn/Out-of-Distributionテストセットでパフォーマンス向上。
Quotes
"Our proposed sequential and prompt learning strategies could improve the performance of both CNN and Transformer backbones on in/out-of-distribution test sets."