論文の概要: Diffusion Restoration Adapter for Real-World Image Restoration

• arxiv url: http://arxiv.org/abs/2502.20679v1
• Date: Fri, 28 Feb 2025 03:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:00.904867
• Title: Diffusion Restoration Adapter for Real-World Image Restoration
• Title（参考訳）: 実世界の画像復元のための拡散再生アダプタ
• Authors: Hanbang Liang, Zhen Wang, Weihui Deng,
• Abstract要約: 拡散モデルは、その強力な画像生成能力を実証している。 本稿では、事前学習した画像の強力な生成能力を利用して、画像のリアルな復元を実現する比較的軽量なアダプタを提案する。
• 参考スコア（独自算出の注目度）: 6.281249650791182
• License:
• Abstract: Diffusion models have demonstrated their powerful image generation capabilities, effectively fitting highly complex image distributions. These models can serve as strong priors for image restoration. Existing methods often utilize techniques like ControlNet to sample high quality images with low quality images from these priors. However, ControlNet typically involves copying a large part of the original network, resulting in a significantly large number of parameters as the prior scales up. In this paper, we propose a relatively lightweight Adapter that leverages the powerful generative capabilities of pretrained priors to achieve photo-realistic image restoration. The Adapters can be adapt to both denoising UNet and DiT, and performs excellent.
• Abstract（参考訳）: 拡散モデルは、その強力な画像生成能力を示し、非常に複雑な画像分布を効果的に適合させる。 これらのモデルは、画像復元の強力な先駆けとして機能する。 既存の手法では、CrutNetのような技術を使って、これらの先行画像から高品質な画像をサンプリングすることが多い。 しかし、ControlNetは通常、元のネットワークの大部分をコピーする必要があり、その結果、以前のスケールアップに伴って、かなりの数のパラメータが生成される。 本稿では,事前学習の強力な生成能力を利用した比較的軽量なアダプタを提案する。 AdaptersはUNetとDiTの両方に適応でき、優れた性能を発揮する。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• UIR-LoRA: Achieving Universal Image Restoration through Multiple Low-Rank Adaptation [50.27688690379488]
  既存の統合手法は、マルチタスク学習問題として、多重劣化画像復元を扱う。 本稿では,複数のローランクアダプタ(LoRA)をベースとした汎用画像復元フレームワークを提案する。 本フレームワークは, 学習前の生成モデルを多段劣化復元のための共有コンポーネントとして利用し, 特定の劣化画像復元タスクに転送する。
  論文  参考訳（メタデータ） (2024-09-30T11:16:56Z)
• 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)
• Boosting Image Restoration via Priors from Pre-trained Models [54.83907596825985]
  我々は、OSFによるターゲット復元ネットワークの復元結果を改善するために、Pre-Train-Guided Refinement Module (PTG-RM)と呼ばれる軽量モジュールを学習する。 PTG-RMは、低照度強化、デラリニング、デブロアリング、デノナイジングなど、様々なタスクにおける様々なモデルの復元性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-03-11T15:11:57Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• Pre-Trained Image Processing Transformer [95.93031793337613]
  我々は、新しい事前学習モデル、すなわち、画像処理変換器(IPT)を開発する。 本稿では、よく知られたImageNetベンチマークを用いて、大量の画像ペアを生成する。 IPTモデルは、これらの画像をマルチヘッドとマルチテールでトレーニングする。
  論文  参考訳（メタデータ） (2020-12-01T09:42:46Z)
• LCA-Net: Light Convolutional Autoencoder for Image Dehazing [1.433758865948252]
  画像のデハジングは、画像の視覚的魅力を改善するために、ヘイズによって生じる不整合ノイズを取り除くために重要な画像前処理タスクである。 提案する汎用モデルは,大気モデルに依存しない非常に軽量な畳み込みエンコーダ・デコーダネットワークを用いている。 このネットワークは、画像品質の面で最先端の手法に匹敵する、いくつかの標準データセットにおいて、より高速に最適なデハージング性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T11:20:52Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。