要約
多様な画像復元タスク間の関係性を活用する能力は、劣化現象の背後にある本質的な要因を解明する上で極めて有益である。近年、複数の画像劣化を一つのモデル内で処理できる「オールインワン型」手法が多数登場し、発展を遂げている。しかし実際には、さまざまな画像劣化の背後にある根本的な要因を解明するためのタスク間相関の掘り下げはほとんど行われておらず、タスク数が増えるにつれてスケーラビリティに欠けるという課題が残っている。本論文では、従来のタスク指向アプローチではなく、成分指向（ingredients-oriented）のアプローチを採用することで、スケーラブルな学習を実現する新たな視点を提案する。具体的には、本手法である「成分指向劣化再定式化フレームワーク（Ingredients-oriented Degradation Reformulation, IDR）」を、2段階のプロセスで構成する。第1段階では、各劣化の背後にある物理的原理に基づき、個別の適応的処理を行い、それぞれの劣化タイプに対応する事前知識ハブ（prior hubs）を構築する。第2段階では、学習可能な主成分分析（PCA）を用いて、これまでのタスク指向型ハブを一つの成分指向ハブへと段階的に再定式化し、確率論的な未知劣化の除去を実現するための動的ルーティング機構を導入する。さまざまな画像復元タスクに対する広範な実験により、本手法の有効性とスケーラビリティが実証された。さらに重要なことに、IDRは未知の下流タスクに対しても優れた汎化能力を示している。