論文の概要: Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems
- arxiv url: http://arxiv.org/abs/2308.14409v1
- Date: Mon, 28 Aug 2023 08:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 14:39:08.946429
- Title: Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems
- Title(参考訳): 画像逆問題における分布外適応のための定常拡散
- Authors: Riccardo Barbano, Alexander Denker, Hyungjin Chung, Tae Hoon Roh,
Simon Arrdige, Peter Maass, Bangti Jin, Jong Chul Ye
- Abstract要約: 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、利用可能な測定データに特化してデノイングネットワークを適用する。
我々は多様な画像モダリティをまたいだOOD性能の大幅な向上を実現した。
- 参考スコア(独自算出の注目度): 78.76955228709241
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Denoising diffusion models have emerged as the go-to framework for solving
inverse problems in imaging. A critical concern regarding these models is their
performance on out-of-distribution (OOD) tasks, which remains an under-explored
challenge. Realistic reconstructions inconsistent with the measured data can be
generated, hallucinating image features that are uniquely present in the
training dataset. To simultaneously enforce data-consistency and leverage
data-driven priors, we introduce a novel sampling framework called Steerable
Conditional Diffusion. This framework adapts the denoising network specifically
to the available measured data. Utilising our proposed method, we achieve
substantial enhancements in OOD performance across diverse imaging modalities,
advancing the robust deployment of denoising diffusion models in real-world
applications.
- Abstract(参考訳): 画像の逆問題を解くためのgo-toフレームワークとしてデノイジン拡散モデルが登場している。
これらのモデルに対する重要な懸念は、アウト・オブ・ディストリビューション(OOD)タスクのパフォーマンスである。
トレーニングデータセットに特有の画像特徴を幻覚させることにより、測定データと矛盾する現実的な再構成を生成することができる。
データ一貫性とデータ駆動優先性を同時に活用するために,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提案する。
このフレームワークは、利用可能な測定データに特化ネットワークを適応させる。
提案手法を用いて,様々な画像モダリティにまたがるOOD性能の大幅な向上を実現し,実世界のアプリケーションにおけるデノナイズ拡散モデルのロバスト展開を推し進める。
関連論文リスト
- Spatial-and-Frequency-aware Restoration method for Images based on
Diffusion Models [7.947387272047602]
画像復元のための空間・周波数対応拡散モデルSaFaRIを提案する。
本モデルでは,空間領域と周波数領域の両領域において画像の忠実度を保ち,再現性の向上を図っている。
我々の徹底的な評価は、SaFaRIがImageNetデータセットとFFHQデータセットの両方で最先端のパフォーマンスを実現していることを示している。
論文 参考訳(メタデータ) (2024-01-31T07:11:01Z) - The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。
i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
論文 参考訳(メタデータ) (2023-12-11T08:39:43Z) - Mitigating Exposure Bias in Discriminator Guided Diffusion Models [4.5349436061325425]
本稿では,識別器誘導とエプシロンスケーリングを組み合わせたSEDM-G++を提案する。
提案手法は,非条件CIFAR-10データセット上でFIDスコア1.73を達成し,現状よりも優れている。
論文 参考訳(メタデータ) (2023-11-18T20:49:50Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - Stimulating the Diffusion Model for Image Denoising via Adaptive
Embedding and Ensembling [60.62249137139699]
DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。
我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。
我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-07-08T14:59:41Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳(メタデータ) (2023-05-23T12:56:01Z) - DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle
CT Reconstruction [42.028139152832466]
Limited-Angle Computed Tomography (LACT) は、セキュリティから医療まで様々な用途で使用される非破壊的評価技術である。
DOLCEは、条件付き拡散モデルを画像として用いた、LACTのための新しいディープモデルベースのフレームワークである。
論文 参考訳(メタデータ) (2022-11-22T15:30:38Z)
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。