論文の概要: Image Restoration Through Generalized Ornstein-Uhlenbeck Bridge

• arxiv url: http://arxiv.org/abs/2312.10299v2
• Date: Sat, 18 May 2024 03:46:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 23:50:08.720022
• Title: Image Restoration Through Generalized Ornstein-Uhlenbeck Bridge
• Title（参考訳）: 一般オルンシュタイン・ウレンベック橋による画像復元
• Authors: Conghan Yue, Zhengwei Peng, Junlong Ma, Shiyan Du, Pengxu Wei, Dongyu Zhang,
• Abstract要約: 一般化オルンシュタイン・ウレンベック橋(GOUB)モデルについて紹介する。 一般化されたOUプロセスの自然な平均回帰特性を利用することで、点から点への拡散写像を実現する。 また,対応するMean-ODEモデルを用いて,画素レベルの細部と構造的知覚の両方を捉える。
• 参考スコア（独自算出の注目度）: 13.610545398309464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models exhibit powerful generative capabilities enabling noise mapping to data via reverse stochastic differential equations. However, in image restoration, the focus is on the mapping relationship from low-quality to high-quality images. Regarding this issue, we introduce the Generalized Ornstein-Uhlenbeck Bridge (GOUB) model. By leveraging the natural mean-reverting property of the generalized OU process and further eliminating the variance of its steady-state distribution through the Doob's h-transform, we achieve diffusion mappings from point to point enabling the recovery of high-quality images from low-quality ones. Moreover, we unravel the fundamental mathematical essence shared by various bridge models, all of which are special instances of GOUB and empirically demonstrate the optimality of our proposed models. Additionally, we present the corresponding Mean-ODE model adept at capturing both pixel-level details and structural perceptions. Experimental outcomes showcase the state-of-the-art performance achieved by both models across diverse tasks, including inpainting, deraining, and super-resolution. Code is available at \url{https://github.com/Hammour-steak/GOUB}.
• Abstract（参考訳）: 拡散モデルは、逆確率微分方程式によるデータへのノイズマッピングを可能にする強力な生成能力を示す。 しかし、画像復元においては、低品質画像から高品質画像へのマッピング関係に焦点が当てられている。 本稿では,一般オルンシュタイン・ウレンベック橋(GOUB)モデルについて紹介する。 一般化されたOUプロセスの自然な平均回帰特性を活用し、さらにDoobのh-transformによる定常分布のばらつきを排除し、低品質画像から高品質画像の回復を可能にする点から点への拡散写像を実現する。 さらに,GOUBの特殊な例である各種橋梁モデルで共有される基本的な数学的概念を明らかにし,提案モデルの最適性を実証的に示す。 さらに,画素レベルの細部と構造的知覚の両方を捉えるのに有効な平均ODEモデルを提案する。 実験結果は、インペイント、デラリニング、超解像といった様々なタスクで両モデルが達成した最先端のパフォーマンスを示している。 コードは \url{https://github.com/Hammour-steak/GOUB} で公開されている。

関連論文リスト

• Enhanced Control for Diffusion Bridge in Image Restoration [4.480905492503335]
  特殊な拡散ブリッジモデルにより、画像復元がより進んだ結果が得られた。 本稿では,低画質画像を条件として拡散ブリッジの制御性を向上させるECDBモデルを提案する。 実験結果から,多くの画像復元作業においてECDBモデルが最先端の結果を得たことが証明された。
  論文  参考訳（メタデータ） (2024-08-29T07:09:33Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Deep Equilibrium Approaches to Diffusion Models [1.4275201654498746]
  拡散に基づく生成モデルは高品質な画像を生成するのに極めて効果的である。 これらのモデルは通常、高忠実度画像を生成するために長いサンプリングチェーンを必要とする。 我々は、異なる観点からの拡散モデル、すなわち(深い)平衡(DEQ)固定点モデルについて考察する。
  論文  参考訳（メタデータ） (2022-10-23T22:02:19Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。