Fugu-MT 論文翻訳(概要): Pyramidal Denoising Diffusion Probabilistic Models

論文の概要: Pyramidal Denoising Diffusion Probabilistic Models

arxiv url: http://arxiv.org/abs/2208.01864v1
Date: Wed, 3 Aug 2022 06:26:18 GMT
ステータス: 処理完了
システム内更新日: 2022-08-04 13:02:34.007026
Title: Pyramidal Denoising Diffusion Probabilistic Models
Title（参考訳）: ピラミッド型分母拡散確率モデル
Authors: Dohoon Ryu, Jong Chul Ye
Abstract要約: 位置埋め込みを訓練した単一スコア関数を用いて高分解能画像を生成する新しいピラミッド拡散モデルを提案する。これにより、画像生成のための時間効率のサンプリングが可能になり、限られたリソースでトレーニングする際のバッチサイズの問題も解決できる。
参考スコア（独自算出の注目度）: 43.9925721757248
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Diffusion models have demonstrated impressive image generation performance, and have been used in various computer vision tasks. Unfortunately, image generation using diffusion models is very time-consuming since it requires thousands of sampling steps. To address this problem, here we present a novel pyramidal diffusion model to generate high resolution images starting from much coarser resolution images using a single score function trained with a positional embedding. This enables a time-efficient sampling for image generation, and also solves the low batch size problem when training with limited resources. Furthermore, we show that the proposed approach can be efficiently used for multi-scale super-resolution problem using a single score function.
Abstract（参考訳）: 拡散モデルは印象的な画像生成性能を示し、様々なコンピュータビジョンタスクで使われている。残念ながら、数千のサンプリングステップを必要とするため、拡散モデルを用いた画像生成は非常に時間がかかる。本稿では,この問題を解決するために,位置埋め込みを訓練した単一スコア関数を用いて,より粗い解像度画像から高分解能画像を生成する新しいピラミッド拡散モデルを提案する。これにより、画像生成のための時間効率の良いサンプリングが可能となり、限られたリソースでトレーニングする場合のバッチサイズの問題も解決できる。さらに, 単一スコア関数を用いたマルチスケール超解像問題に対して, 提案手法の有効性を示す。

関連論文リスト

Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
論文参考訳（メタデータ） (2024-08-27T20:08:33Z)
SpotDiffusion: A Fast Approach For Seamless Panorama Generation Over Time [7.532695984765271]
生成モデルを用いて高解像度画像を生成する新しい手法を提案する。提案手法は,時間とともに重なりのないデノベーションウィンドウをシフトさせ,一段階のシームが次回修正されるようにする。提案手法は計算効率の向上や推論時間の高速化など,いくつかの重要な利点を提供する。
論文参考訳（メタデータ） (2024-07-22T09:44:35Z)
Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
論文参考訳（メタデータ） (2024-04-16T16:08:59Z)
ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
論文参考訳（メタデータ） (2023-10-11T17:52:39Z)
Accelerating Guided Diffusion Sampling with Splitting Numerical Methods [8.689906452450938]
近年の手法は, サンプリングプロセスに高次数値法を適用することにより, 無誘導サンプリングを高速化することができる。本稿では,この問題の原因を考察し,演算子分割法に基づく解を提供する。提案手法は,高次サンプリング手法を再利用し,250ステップのDDIMベースラインと同じ画質の画像を生成できる。
論文参考訳（メタデータ） (2023-01-27T06:48:29Z)
Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
論文参考訳（メタデータ） (2022-11-16T09:37:07Z)
Markup-to-Image Diffusion Models with Scheduled Sampling [111.30188533324954]
画像生成の最近の進歩に基づき,画像にマークアップを描画するためのデータ駆動型アプローチを提案する。このアプローチは拡散モデルに基づいており、デノナイジング操作のシーケンスを用いてデータの分布をパラメータ化する。数式(La)、テーブルレイアウト(HTML)、シート音楽(LilyPond)、分子画像(SMILES)の4つのマークアップデータセットの実験を行った。
論文参考訳（メタデータ） (2022-10-11T04:56:12Z)
Image Generation with Multimodal Priors using Denoising Diffusion Probabilistic Models [54.1843419649895]
このタスクを達成するために生成モデルを使用する際の大きな課題は、すべてのモダリティと対応する出力を含むペアデータの欠如である。本稿では,拡散確率的合成モデルに基づく多モデル先行画像生成手法を提案する。
論文参考訳（メタデータ） (2022-06-10T12:23:05Z)
Dynamic Dual-Output Diffusion Models [100.32273175423146]
反復分解に基づく生成は、他の生成モデルのクラスに匹敵する品質を示すことが示されている。この方法の大きな欠点は、競合する結果を生み出すために数百のイテレーションが必要であることである。近年の研究では、より少ないイテレーションでより高速に生成できるソリューションが提案されているが、画像の品質は徐々に低下している。
論文参考訳（メタデータ） (2022-03-08T11:20:40Z)
Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文参考訳（メタデータ） (2022-01-27T20:19:07Z)

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。