論文の概要: Using Powerful Prior Knowledge of Diffusion Model in Deep Unfolding Networks for Image Compressive Sensing

• arxiv url: http://arxiv.org/abs/2503.08429v1
• Date: Tue, 11 Mar 2025 13:40:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:42:41.856428
• Title: Using Powerful Prior Knowledge of Diffusion Model in Deep Unfolding Networks for Image Compressive Sensing
• Title（参考訳）: 画像圧縮センシングのための深部展開ネットワークにおける拡散モデルの強力事前知識の利用
• Authors: Chen Liao, Yan Shen, Dan Li, Zhongli Wang,
• Abstract要約: 画像圧縮センシング(CS)分野におけるDUN(Deep Unfolding Networks)の精度向上 我々は,DUNにおける事前学習拡散モデルの強力な事前知識を用いて,画像CSの少ないステップで高品質な再構成を実現することを提案する。
• 参考スコア（独自算出の注目度）: 3.9833558904578075
• License:
• Abstract: Recently, Deep Unfolding Networks (DUNs) have achieved impressive reconstruction quality in the field of image Compressive Sensing (CS) by unfolding iterative optimization algorithms into neural networks. The reconstruction quality of DUNs depends on the learned prior knowledge, so introducing stronger prior knowledge can further improve reconstruction quality. On the other hand, pre-trained diffusion models contain powerful prior knowledge and have a solid theoretical foundation and strong scalability, but it requires a large number of iterative steps to achieve reconstruction. In this paper, we propose to use the powerful prior knowledge of pre-trained diffusion model in DUNs to achieve high-quality reconstruction with less steps for image CS. Specifically, we first design an iterative optimization algorithm named Diffusion Message Passing (DMP), which embeds a pre-trained diffusion model into each iteration process of DMP. Then, we deeply unfold the DMP algorithm into a neural network named DMP-DUN. The proposed DMP-DUN can use lightweight neural networks to achieve mapping from measurement data to the intermediate steps of the reverse diffusion process and directly approximate the divergence of the diffusion model, thereby further improving reconstruction efficiency. Extensive experiments show that our proposed DMP-DUN achieves state-of-the-art performance and requires at least only 2 steps to reconstruct the image. Codes are available at https://github.com/FengodChen/DMP-DUN-CVPR2025.
• Abstract（参考訳）: 近年、DUN(Deep Unfolding Networks)は、反復最適化アルゴリズムをニューラルネットワークに展開することにより、画像圧縮センシング(CS)の分野で印象的な再構築品質を実現している。 DUNの再構築の質は、学習した事前知識に依存するため、より強力な事前知識を導入することで、再構築の質をさらに向上させることができる。 一方、事前学習された拡散モデルには、強力な事前知識が含まれ、しっかりとした理論基盤と強力な拡張性があるが、再構成を実現するには、多くの反復的なステップが必要である。 本稿では、DUNにおける事前学習拡散モデルの強力な事前知識を用いて、画像CSの少ないステップで高品質な再構成を実現することを提案する。 具体的には、DMPの各反復プロセスに事前学習した拡散モデルを含む拡散メッセージパッシング(DMP)という反復最適化アルゴリズムを最初に設計する。 そして、DMPアルゴリズムをDMP-DUNと呼ばれるニューラルネットワークに深く展開する。 提案したDMP-DUNは、軽量ニューラルネットワークを用いて、測定データから逆拡散過程の中間段階へのマッピングを実現し、拡散モデルのばらつきを直接近似することにより、再構築効率をさらに向上することができる。 広汎な実験により,提案したDMP-DUNは最先端の性能を達成し,画像の再構築には少なくとも2ステップしか要しないことがわかった。 コードはhttps://github.com/FengodChen/DMP-DUN-CVPR2025で公開されている。

関連論文リスト

• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• SDIP: Self-Reinforcement Deep Image Prior Framework for Image Processing [0.7673339435080445]
  最近の研究で提案されたディープ画像先行(DIP)は、畳み込みニューラルネットワーク(CNN)の本質的な特性を明らかにし、かなりの低レベル画像統計値を取得する。 本稿では,元のDIPの改良版として自己強化深部画像先行画像(P)を提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:50:14Z)
• Invertible Diffusion Models for Compressed Sensing [22.293412255419614]
  Invertible Diffusion Models (IDM) は、効率的なエンドツーエンドの拡散に基づく圧縮センシング手法である。 当社のIDMは,PSNRにおいて既存のCSネットワークを最大2.64dB性能で上回っている。 最近の拡散型アプローチ DDNM と比較して、我々のIMM は最大 10.09dB PSNR ゲインと 14.54 倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2024-03-25T17:59:41Z)
• MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated Convolution for Image Compressive Sensing (CS) [0.0]
  圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。 我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。 MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
  論文  参考訳（メタデータ） (2024-01-05T16:25:58Z)
• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• Deep network series for large-scale high-dynamic range imaging [2.3759432635713895]
  本稿では,大規模高ダイナミックレンジイメージングのための新しい手法を提案する。 ディープニューラルネットワーク(DNN)で訓練されたエンドツーエンドは、ほぼ瞬時に線形逆イメージング問題を解くことができる。 代替のPlug-and-Playアプローチは、高ダイナミックレンジの課題に対処する上で有効であるが、高度に反復的なアルゴリズムに依存している。
  論文  参考訳（メタデータ） (2022-10-28T11:13:41Z)
• Neural Data-Dependent Transform for Learned Image Compression [72.86505042102155]
  ニューラルデータに依存した変換を構築し,各画像の符号化効率を最適化する連続オンラインモード決定機構を導入する。 実験の結果,提案したニューラルシンタクス設計と連続オンラインモード決定機構の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-09T14:56:48Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
  畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。 深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。 提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
  論文  参考訳（メタデータ） (2021-09-02T08:07:58Z)

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。