論文の概要: DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for
Hyperspectral Image Restoration
- arxiv url: http://arxiv.org/abs/2303.06682v2
- Date: Sun, 19 Mar 2023 10:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 22:47:50.915168
- Title: DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for
Hyperspectral Image Restoration
- Title（参考訳）: DDS2M:ハイパースペクトル画像復元のための自己監督型拡散比スペクトルモデル
- Authors: Yuchun Miao and Lefei Zhang and Liangpei Zhang and Dacheng Tao
- Abstract要約: ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。
textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。
HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
- 参考スコア（独自算出の注目度）: 103.79030498369319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have recently received a surge of interest due to their
impressive performance for image restoration, especially in terms of noise
robustness. However, existing diffusion-based methods are trained on a large
amount of training data and perform very well in-distribution, but can be quite
susceptible to distribution shift. This is especially inappropriate for
data-starved hyperspectral image (HSI) restoration. To tackle this problem,
this work puts forth a self-supervised diffusion model for HSI restoration,
namely Denoising Diffusion Spatio-Spectral Model (\texttt{DDS2M}), which works
by inferring the parameters of the proposed Variational Spatio-Spectral Module
(VS2M) during the reverse diffusion process, solely using the degraded HSI
without any extra training data. In VS2M, a variational inference-based loss
function is customized to enable the untrained spatial and spectral networks to
learn the posterior distribution, which serves as the transitions of the
sampling chain to help reverse the diffusion process. Benefiting from its
self-supervised nature and the diffusion process, \texttt{DDS2M} enjoys
stronger generalization ability to various HSIs compared to existing
diffusion-based methods and superior robustness to noise compared to existing
HSI restoration methods. Extensive experiments on HSI denoising, noisy HSI
completion and super-resolution on a variety of HSIs demonstrate
\texttt{DDS2M}'s superiority over the existing task-specific state-of-the-arts.
- Abstract（参考訳）: 拡散モデルは、特にノイズの堅牢性の観点から、画像復元における印象的な性能のために最近注目されている。
しかしながら、既存の拡散ベースの手法は、大量のトレーニングデータに基づいて訓練され、非常によく分布するが、分布シフトの影響を受けやすい。
これは特にhsi(data-starved hyperspectral image)復元には不適切である。
この問題に対処するため、本研究では、逆拡散過程において、劣化したHSIを余分なトレーニングデータなしでのみ使用することにより、提案した変分拡散比スペクトルモデル(VS2M)のパラメータを推定することで機能する、HSI修復のための自己教師付き拡散モデル(Denoising Diffusion Spatio-Spectral Model (\texttt{DDS2M})を提案する。
VS2Mでは、ばらつき推論に基づく損失関数をカスタマイズして、トレーニングされていない空間およびスペクトルネットワークが後続分布を学習し、サンプリングチェーンの遷移として拡散過程の反転を支援する。
自己監督的な性質と拡散過程から、既存の拡散ベース法と比較して様々なHSIに対してより強力な一般化能力と、既存のHSI復元法に比べて耐雑音性を有する。
hsiデノイジング、ノイズの多いhsiコンプリート、および様々なhsis上の超解像に関する広範囲な実験は、既存のタスク固有の状態に対する \texttt{dds2m} の優位性を示している。
関連論文リスト
- Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。
提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。
提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
論文 参考訳（メタデータ） (2024-03-12T05:06:07Z) - HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved
Diffusion Models [38.74983301496911]
ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。
既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。
本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-24T17:15:05Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - Residual Denoising Diffusion Models [12.698791701225499]
本稿では,従来の単音化拡散過程を残差拡散と雑音拡散に分解する新しい二重拡散過程を提案する。
この二重拡散フレームワークは、デノナイジングに基づく拡散モデルを拡張し、画像生成と復元の両方のための統一的で解釈可能なモデルへと拡張する。
革新的なフレームワークのさらなる探索、応用、開発を促進するために、コードと事前訓練されたモデルを提供しています。
論文 参考訳（メタデータ） (2023-08-25T23:54:15Z) - Learning A Coarse-to-Fine Diffusion Transformer for Image Restoration [39.071637725773314]
画像復元のための粗大な拡散変換器(C2F-DFT)を提案する。
C2F-DFTは拡散自己注意(DFSA)と拡散フィードフォワードネットワーク(DFN)を含んでいる
粗い訓練段階において,我々のC2F-DFTはノイズを推定し,サンプリングアルゴリズムにより最終クリーン画像を生成する。
論文 参考訳（メタデータ） (2023-08-17T01:59:59Z) - SDDM: Score-Decomposed Diffusion Models on Manifolds for Unpaired
Image-to-Image Translation [96.11061713135385]
本研究は,画像生成時の絡み合った分布を明示的に最適化する,新しいスコア分解拡散モデルを提案する。
我々は、スコア関数の精製部分とエネルギー誘導を等しくし、多様体上の多目的最適化を可能にする。
SDDMは既存のSBDMベースの手法よりも優れており、I2Iベンチマークでは拡散ステップがはるかに少ない。
論文 参考訳（メタデータ） (2023-08-04T06:21:57Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic
Correlation Diffusion Model [46.68717345017946]
ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。
意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。
提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2023-05-21T09:21:41Z) - DR2: Diffusion-based Robust Degradation Remover for Blind Face
Restoration [66.01846902242355]
ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。
トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。
本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
論文 参考訳（メタデータ） (2023-03-13T06:05:18Z) - High-Frequency Space Diffusion Models for Accelerated MRI [7.985113617260289]
連続微分方程式(SDE)を持つ拡散モデルは、画像生成において優れた性能を示す。
高周波空間における拡散過程と磁気共鳴(MR)再構成に適した新しいSDEを提案する。
このアプローチは、完全サンプリングされた低周波領域における決定性を保証し、逆拡散のサンプリング手順を加速する。
論文 参考訳（メタデータ） (2022-08-10T14:04:20Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。