論文の概要: There and Back Again: On the relation between noises, images, and their inversions in diffusion models

• arxiv url: http://arxiv.org/abs/2410.23530v1
• Date: Thu, 31 Oct 2024 00:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:03:11.225261
• Title: There and Back Again: On the relation between noises, images, and their inversions in diffusion models
• Title（参考訳）: There and Back Again:拡散モデルにおけるノイズ, 画像, およびそれらの反転の関係について
• Authors: Łukasz Staniszewski, Łukasz Kuciński, Kamil Deja,
• Abstract要約: 拡散確率モデル(DDPM)は、ランダムノイズから新しい画像を合成する際に最先端の性能を達成する。 近年のDDPMベースの編集技術は、画像を近似した星音に戻すことでこの問題を緩和しようとしている。 本研究では,初期ガウス雑音,それから発生するサンプル,およびインバージョン処理により得られた対応する潜時符号化との関係について検討する。
• 参考スコア（独自算出の注目度）: 3.5707423185282665
• License:
• Abstract: Denoising Diffusion Probabilistic Models (DDPMs) achieve state-of-the-art performance in synthesizing new images from random noise, but they lack meaningful latent space that encodes data into features. Recent DDPM-based editing techniques try to mitigate this issue by inverting images back to their approximated staring noise. In this work, we study the relation between the initial Gaussian noise, the samples generated from it, and their corresponding latent encodings obtained through the inversion procedure. First, we interpret their spatial distance relations to show the inaccuracy of the DDIM inversion technique by localizing latent representations manifold between the initial noise and generated samples. Then, we demonstrate the peculiar relation between initial Gaussian noise and its corresponding generations during diffusion training, showing that the high-level features of generated images stabilize rapidly, keeping the spatial distance relationship between noises and generations consistent throughout the training.
• Abstract（参考訳）: Denoising Diffusion Probabilistic Models (DDPM)は、ランダムノイズから新しい画像を合成する際に最先端のパフォーマンスを達成するが、特徴にデータをエンコードする有意義な潜在空間は欠如している。 近年のDDPMベースの編集技術は、画像を近似した星音に戻すことでこの問題を緩和しようとしている。 本研究では,初期ガウス雑音,それから生成されたサンプル,およびインバージョン処理によって得られた対応する潜時符号化の関係について検討する。 まず,その空間的距離関係を解釈し,初期雑音と生成されたサンプルの間に潜在表現を局在させることにより,DDIMの逆変換手法の不正確さを示す。 そして,拡散訓練における初期ガウスノイズとそれに対応する世代との関係を実証し,生成した画像の高レベル特徴が急速に安定化し,トレーニングを通してノイズと世代間の空間的距離関係を一定に保つことを示す。

関連論文リスト

• Diffusion Priors for Variational Likelihood Estimation and Image Denoising [10.548018200066858]
  本稿では,現実の雑音に対処するために,逆拡散過程における適応的確率推定とMAP推定を提案する。 実世界の多様なデータセットの実験と分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-23T02:52:53Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• PartDiff: Image Super-resolution with Partial Diffusion Models [3.8435187580887717]
  拡散確率モデル(DDPM)は,様々な画像生成タスクにおいて顕著な性能を達成している。 DDPMは、ランダムノイズから反復的にデノイングすることで、新しいデータを生成する。 しかし、拡散に基づく生成モデルは、多くのデノナイジングステップのために高い計算コストに悩まされる。 本稿では,部分拡散モデル (PartDiff) を提案する。
  論文  参考訳（メタデータ） (2023-07-21T22:11:23Z)
• SVNR: Spatially-variant Noise Removal with Denoising Diffusion [43.2405873681083]
  本稿では,より現実的で空間的変動のある雑音モデルを想定した,微分拡散の新たな定式化について述べる。 実験では,強い拡散モデルベースラインに対するアプローチの利点と,最先端の単一画像復号法に対するアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-28T09:32:00Z)
• 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)
• VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation [88.49030739715701]
  本研究は, フレームごとのノイズを, 全フレーム間で共有されるベースノイズ, 時間軸に沿って変化する残雑音に分解することで, 拡散過程を分解する。 様々なデータセットの実験により,ビデオフュージョンと呼ばれる我々の手法が,高品質なビデオ生成において,GANベースと拡散ベースの両方の選択肢を上回ることが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:16:39Z)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Image reconstruction in light-sheet microscopy: spatially varying deconvolution and mixed noise [1.1545092788508224]
  光シート顕微鏡におけるデコンボリューションの問題点について検討する。 データは空間的に異なるぼかしと、ポアソンとガウスノイズの組み合わせによって破壊される。 シミュレーションと実データの両方で行った数値実験は, 他の手法と比較して, 再現性に優れていた。
  論文  参考訳（メタデータ） (2021-08-08T14:14:35Z)

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。