論文の概要: Is Noise Conditioning Necessary for Denoising Generative Models?

• arxiv url: http://arxiv.org/abs/2502.13129v1
• Date: Tue, 18 Feb 2025 18:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:06:49.387326
• Title: Is Noise Conditioning Necessary for Denoising Generative Models?
• Title（参考訳）: 騒音条件付けは生成モデルに必要か?
• Authors: Qiao Sun, Zhicheng Jiang, Hanhong Zhao, Kaiming He,
• Abstract要約: 雑音条件がない場合の様々な雑音生成モデルについて検討する。 ほとんどのモデルは優雅な劣化を示し、時にはノイズコンディショニングなしでも優れた性能を発揮する。 我々は、CIFAR-10上で2.23の競合FIDを実現するノイズ非条件モデルを導入し、主要なノイズ-条件モデルとのギャップを著しく狭める。
• 参考スコア（独自算出の注目度）: 19.2998909343441
• License:
• Abstract: It is widely believed that noise conditioning is indispensable for denoising diffusion models to work successfully. This work challenges this belief. Motivated by research on blind image denoising, we investigate a variety of denoising-based generative models in the absence of noise conditioning. To our surprise, most models exhibit graceful degradation, and in some cases, they even perform better without noise conditioning. We provide a theoretical analysis of the error caused by removing noise conditioning and demonstrate that our analysis aligns with empirical observations. We further introduce a noise-unconditional model that achieves a competitive FID of 2.23 on CIFAR-10, significantly narrowing the gap to leading noise-conditional models. We hope our findings will inspire the community to revisit the foundations and formulations of denoising generative models.
• Abstract（参考訳）: 拡散モデルが正常に動作するためにはノイズ条件付けが不可欠であると広く信じられている。 この仕事はこの信念に異議を唱える。 視覚障害者の視覚障害に対する意識調査から,ノイズ条件の欠如による様々な認知型生成モデルについて検討した。 驚いたことに、ほとんどのモデルは優雅な劣化を示しており、時にはノイズコンディショニングなしでも性能が良くなっています。 本研究では,ノイズ条件の除去による誤差の理論的解析を行い,その解析が経験的観測と一致することを示す。 さらに、CIFAR-10上で2.23の競合FIDを達成する雑音条件モデルを導入し、主要な雑音条件モデルとのギャップを著しく狭める。 我々は,我々の発見が,生成モデルを認知する基礎と定式化を再考するよう,コミュニティに刺激を与えることを期待している。

関連論文リスト

• 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)
• Noise-aware Speech Enhancement using Diffusion Probabilistic Model [35.17225451626734]
  拡散モデルにおける逆過程を導出する雑音固有情報を抽出する雑音認識音声強調(NASE)手法を提案する。 NASEは任意の拡散SEモデルに一般化できるプラグイン・アンド・プレイモジュールであることが示されている。
  論文  参考訳（メタデータ） (2023-07-16T12:46:11Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  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)
• Diffusion Model for Generative Image Denoising [17.897180118637856]
  画像復調のための教師あり学習では、通常、ペアのクリーンな画像とノイズの多い画像を収集し合成し、復調モデルを訓練する。 本稿では,ノイズ画像に条件付けされたクリーン画像の後部分布を推定する問題として,デノナイジングタスクを考察する。
  論文  参考訳（メタデータ） (2023-02-05T14:53:07Z)
• Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
  本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。 ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。 トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
  論文  参考訳（メタデータ） (2022-06-02T15:31:40Z)
• Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
  本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。 本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。 いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
  論文  参考訳（メタデータ） (2022-04-03T02:35:01Z)
• C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
  両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。 我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
  論文  参考訳（メタデータ） (2022-02-19T05:53:46Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• Noise2Same: Optimizing A Self-Supervised Bound for Image Denoising [54.730707387866076]
  本稿では,新しい自己教師型デノベーションフレームワークであるNoss2Sameを紹介する。 特にノイズ2Sameは、ノイズモデルに関するJ-不変性や余分な情報を必要としない。 以上の結果から,ノイズ2Sameは従来の自己監督型遮音法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T18:12:26Z)

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。