論文の概要: Underwater Image Enhancement by Transformer-based Diffusion Model with
Non-uniform Sampling for Skip Strategy
- arxiv url: http://arxiv.org/abs/2309.03445v1
- Date: Thu, 7 Sep 2023 01:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:28:21.064180
- Title: Underwater Image Enhancement by Transformer-based Diffusion Model with
Non-uniform Sampling for Skip Strategy
- Title（参考訳）: 非一様サンプリングを用いた変圧器拡散モデルによる水中画像の強調
- Authors: Yi Tang, Takafumi Iwaguchi, Hiroshi Kawasaki
- Abstract要約: 水中シーンにおける拡散モデルを用いた画像強調手法を提案する。
本手法は,条件付き拡散確率モデルに適応し,対応する拡張画像を生成する。
実験結果から,本手法は競争性能と高い効率を両立できることが示された。
- 参考スコア（独自算出の注目度）: 2.056162650908794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present an approach to image enhancement with diffusion
model in underwater scenes. Our method adapts conditional denoising diffusion
probabilistic models to generate the corresponding enhanced images by using the
underwater images and the Gaussian noise as the inputs. Additionally, in order
to improve the efficiency of the reverse process in the diffusion model, we
adopt two different ways. We firstly propose a lightweight transformer-based
denoising network, which can effectively promote the time of network forward
per iteration. On the other hand, we introduce a skip sampling strategy to
reduce the number of iterations. Besides, based on the skip sampling strategy,
we propose two different non-uniform sampling methods for the sequence of the
time step, namely piecewise sampling and searching with the evolutionary
algorithm. Both of them are effective and can further improve performance by
using the same steps against the previous uniform sampling. In the end, we
conduct a relative evaluation of the widely used underwater enhancement
datasets between the recent state-of-the-art methods and the proposed approach.
The experimental results prove that our approach can achieve both competitive
performance and high efficiency. Our code is available at
\href{mailto:https://github.com/piggy2009/DM_underwater}{\color{blue}{https://github.com/piggy2009/DM\_underwater}}.
- Abstract（参考訳）: 本稿では,水中シーンにおける拡散モデルを用いた画像強調手法を提案する。
提案手法は,水中画像とガウス雑音を入力として,条件付き拡散確率モデルを適用して対応する拡張画像を生成する。
さらに, 拡散モデルにおける逆過程の効率を向上させるために, 2つの異なる方法を採用する。
まず,提案する軽量トランスフォーメーションネットワークは,イテレーション毎のネットワーク転送時間を効果的に促進できる。
一方で,反復回数を減らすためのスキップサンプリング戦略も導入する。
さらに,スキップサンプリング戦略に基づき,時間ステップのシーケンスに対する2つの異なる非一様サンプリング手法,すなわち,進化的アルゴリズムを用いた分割サンプリングと探索を提案する。
どちらも有効であり、前の均一サンプリングに対して同じステップを使用することで、さらに性能を向上させることができる。
最後に,最近の最先端手法と提案手法とで,広く使用されている水中拡張データセットの相対評価を行った。
実験の結果,本手法は競争性能と高い効率を両立できることがわかった。
私たちのコードは \href{mailto:https://github.com/piggy2009/dm_underwater}{\color{blue}{https://github.com/piggy2009/dm\_underwater}} で利用可能です。
関連論文リスト
- Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。
本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。
トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
論文 参考訳（メタデータ） (2024-12-12T07:24:13Z) - Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。
本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
論文 参考訳（メタデータ） (2024-11-17T17:45:37Z) - A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
拡散モデルの現実的なボトルネックはサンプリング速度である。
スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。
本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-08-12T05:33:45Z) - ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳（メタデータ） (2024-03-21T17:52:08Z) - 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) - AdaDiff: Adaptive Step Selection for Fast Diffusion Models [82.78899138400435]
我々は、インスタンス固有のステップ利用ポリシーを学ぶために設計された軽量フレームワークであるAdaDiffを紹介します。
AdaDiffはポリシーメソッドを使用して最適化され、慎重に設計された報酬関数を最大化する。
我々は3つの画像生成と2つのビデオ生成ベンチマークの実験を行い、本手法がベースラインと同じような視覚的品質を実現することを示す。
論文 参考訳（メタデータ） (2023-11-24T11:20:38Z) - 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) - 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) - Uncertainty Inspired Underwater Image Enhancement [45.05141499761876]
劣化した水中画像の強調分布を学習するための新しい確率的ネットワークを提案する。
拡張分布を学習することにより,参照マップラベリングで導入されたバイアスに対処できる。
実験結果から,本手法は可能な拡張予測のサンプリングを可能にすることが示された。
論文 参考訳（メタデータ） (2022-07-20T06:42:28Z)
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。