論文の概要: Temporal Score Analysis for Understanding and Correcting Diffusion Artifacts

• arxiv url: http://arxiv.org/abs/2503.16218v1
• Date: Thu, 20 Mar 2025 15:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:31:49.893204
• Title: Temporal Score Analysis for Understanding and Correcting Diffusion Artifacts
• Title（参考訳）: 拡散アーチファクトの理解と修正のための時間スコア解析
• Authors: Yu Cao, Zengqun Zhao, Ioannis Patras, Shaogang Gong,
• Abstract要約: 現在の解決策は管制検出器に依存しているが、そもそもなぜこれらの人工物が生じるのかは理解されていない。 本研究では,拡散過程における異常スコアのダイナミクスを監視して,人工物を検出するASCED(Abnormal Score Correction for Enhancing Diffusion)を提案する。 ポストホック補正を適用する既存の方法とは異なり、我々の緩和戦略は既存の拡散過程内でシームレスに機能する。
• 参考スコア（独自算出の注目度）: 40.47880613758304
• License:
• Abstract: Visual artifacts remain a persistent challenge in diffusion models, even with training on massive datasets. Current solutions primarily rely on supervised detectors, yet lack understanding of why these artifacts occur in the first place. In our analysis, we identify three distinct phases in the diffusion generative process: Profiling, Mutation, and Refinement. Artifacts typically emerge during the Mutation phase, where certain regions exhibit anomalous score dynamics over time, causing abrupt disruptions in the normal evolution pattern. This temporal nature explains why existing methods focusing only on spatial uncertainty of the final output fail at effective artifact localization. Based on these insights, we propose ASCED (Abnormal Score Correction for Enhancing Diffusion), that detects artifacts by monitoring abnormal score dynamics during the diffusion process, with a trajectory-aware on-the-fly mitigation strategy that appropriate generation of noise in the detected areas. Unlike most existing methods that apply post hoc corrections, \eg, by applying a noising-denoising scheme after generation, our mitigation strategy operates seamlessly within the existing diffusion process. Extensive experiments demonstrate that our proposed approach effectively reduces artifacts across diverse domains, matching or surpassing existing supervised methods without additional training.
• Abstract（参考訳）: 大規模なデータセットのトレーニングであっても、ビジュアルアーティファクトは拡散モデルにおいて永続的な課題である。 現在の解決策は主に管制検出器に依存しているが、なぜこれらの人工物がそもそも起こるのかは理解されていない。 本分析では,拡散生成過程において,プロファイリング,突然変異,精製の3つの相を同定した。 アーティファクトは通常、特定の領域が時間とともに異常なスコアのダイナミクスを示し、通常の進化パターンに突然の破壊を引き起こす突然変異期の間に出現する。 この時間的性質は、最終的な出力の空間的不確実性のみに焦点を当てた既存の手法が、効果的なアーティファクトローカライゼーションに失敗する理由を説明する。 これらの知見に基づいて,拡散過程における異常スコアのダイナミクスを監視し,検出された領域のノイズを適切に生成する軌道認識オンザフライ緩和戦略を用いて,成果物を検出するASCED(Abnormal Score Correction for Enhancing Diffusion)を提案する。 ポストホック補正(eg)を適用したほとんどの既存の方法とは異なり、この緩和戦略は既存の拡散過程内でシームレスに機能する。 大規模な実験により,提案手法は様々な領域にまたがるアーティファクトを効果的に削減し,既存の教師付き手法に適合あるいは超越することを示した。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Enhancing Multi-Class Anomaly Detection via Diffusion Refinement with Dual Conditioning [30.4548093767138]
  一モデル毎の手法は、しばしば限定的な一般化能力に苦しむ。 近年の1モデルオールカテゴリ方式の特徴再構築手法は, 異常サンプルの再構成やぼやけた再構築といった課題に直面している。 本稿では,多クラス異常検出のための拡散モデルと変圧器を創造的に組み合わせる。
  論文  参考訳（メタデータ） (2024-07-02T03:09:40Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Dynamic Addition of Noise in a Diffusion Model for Anomaly Detection [2.209921757303168]
  拡散モデルは、名目データ分布を捕捉し、再構成を通して異常を識別することで、異常検出に有用な応用を見出した。 それらの利点にもかかわらず、彼らは様々なスケールの異常、特に欠落した成分全体のような大きな異常をローカライズするのに苦労している。 本稿では,従来の暗黙的条件付け手法であるメングらを拡張し,拡散モデルの能力を高める新しい枠組みを提案する。 2022年は3つの重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-01-09T09:57:38Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Extreme Learning Machine for the Characterization of Anomalous Diffusion from Single Trajectories [0.0]
  エクストリームラーニングマシンとフィーチャーエンジニアリング(AnDi-ELM)を組み合わせることで、AnDiチャレンジのタスクに取り組むためのシンプルなアプローチを説明します。 この手法は,計算資源に制限のある簡単な実装と高速な訓練時間を提供しながら,良好な性能を達成する。
  論文  参考訳（メタデータ） (2021-05-06T11:56:27Z)

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。