arXivに投稿された論文「MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration」は、トレーニングデータを必要とせずに、ぼけ、ダウンサンプリング、ノイズ、欠損ピクセルが混在した単一の観測からクリーンな画像を復元する新しいフレームワークを提案しています。従来の学習ベースの画像復元手法は大量のペアデータを必要としますが、MG-SpaIRは単一の劣化画像のみから復元を行います。
MG-SpaIRは暗黙的ニューラル表現（INR）を基盤とし、マルチグレードの粗密残差階層を導入しています。この階層構造は、異なる解像度レベルで再構築を段階的に洗練し、表現の忠実度を向上させるとともにスペクトル制限を緩和します。具体的には、低解像度から大まかな推定を始め、徐々に高周波詳細を追加していくことで、安定した最適化を実現します。
さらに、高解像度画像領域に直接適用される明示的なスパース近接正則化（ℓ0型）を提案し、INR起因のアーティファクトを抑制しながら鋭い構造を保持します。この正則化は、不要な高周波パターンを抑止し、画像のシャープさを維持する効果があります。最適化はマルチグレード近接交互スキームによって効率的に実行され、標準的な正則条件下で収束が保証されています。
混合劣化ベンチマーク実験では、MG-SpaIRはDeep Image Priorなどの強力なベースラインを一貫して上回り、PSNRとSSIMの両方で優れた結果を示しました。多様な劣化の組み合わせに対してもロバストであり、デブロアリング、超解像、インペインティングなどのタスクで有望です。
この研究はJianmin Liaoら6名の著者によるもので、現在arXivで公開されています。MG-SpaIRは、低線量医療画像やリモートセンシングなどデータが限られた分野での応用が期待され、トレーニングデータを必要としない安定で解釈可能な代替手段を提供します。