論文の概要: Uncertainty-guided Perturbation for Image Super-Resolution Diffusion Model
- arxiv url: http://arxiv.org/abs/2503.18512v1
- Date: Mon, 24 Mar 2025 10:07:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:34:07.501736
- Title: Uncertainty-guided Perturbation for Image Super-Resolution Diffusion Model
- Title(参考訳): 超解像拡散モデルにおける不確かさ誘導摂動
- Authors: Leheng Zhang, Weiyi You, Kexuan Shi, Shuhang Gu,
- Abstract要約: 拡散に基づく画像超解像法は、GANベースの手法よりも大きな優位性を示している。
私たちは、長いマルコフ連鎖の上に構築し、現実世界のシナリオで優れたパフォーマンスを実現できるようにします。
本研究では、地域固有の騒音レベル制御を誘導する不確かさ誘導雑音重み付けについて、その手法を不確かさ誘導雑音重み付けと呼ぶ。
- 参考スコア(独自算出の注目度): 16.730439731479247
- License:
- Abstract: Diffusion-based image super-resolution methods have demonstrated significant advantages over GAN-based approaches, particularly in terms of perceptual quality. Building upon a lengthy Markov chain, diffusion-based methods possess remarkable modeling capacity, enabling them to achieve outstanding performance in real-world scenarios. Unlike previous methods that focus on modifying the noise schedule or sampling process to enhance performance, our approach emphasizes the improved utilization of LR information. We find that different regions of the LR image can be viewed as corresponding to different timesteps in a diffusion process, where flat areas are closer to the target HR distribution but edge and texture regions are farther away. In these flat areas, applying a slight noise is more advantageous for the reconstruction. We associate this characteristic with uncertainty and propose to apply uncertainty estimate to guide region-specific noise level control, a technique we refer to as Uncertainty-guided Noise Weighting. Pixels with lower uncertainty (i.e., flat regions) receive reduced noise to preserve more LR information, therefore improving performance. Furthermore, we modify the network architecture of previous methods to develop our Uncertainty-guided Perturbation Super-Resolution (UPSR) model. Extensive experimental results demonstrate that, despite reduced model size and training overhead, the proposed UWSR method outperforms current state-of-the-art methods across various datasets, both quantitatively and qualitatively.
- Abstract(参考訳): 拡散に基づく画像超解像法は、特に知覚品質の点で、GANベースのアプローチよりも大きな優位性を示している。
長いマルコフ連鎖に基づいて、拡散に基づく手法は優れたモデリング能力を持ち、現実のシナリオにおいて優れたパフォーマンスを達成することができる。
ノイズスケジュールやサンプリングプロセスを改良して性能を向上させる従来の手法とは異なり,本手法ではLR情報の利用性の向上を強調している。
拡散過程におけるLR画像の異なる領域は、平面領域が目標HR分布に近づくが、エッジ領域とテクスチャ領域は遠ざかる。
これらの平坦な地域では、若干のノイズを加える方が再建に有利である。
我々は,この特徴を不確実性と関連付け,不確実性誘導雑音重み付けと呼ぶ手法である地域固有の騒音レベル制御の導出に不確実性推定を適用することを提案する。
低い不確実性(すなわち平坦な領域)を持つ画素は、より多くのLR情報を保持するためにノイズを低減し、性能を向上する。
さらに、従来手法のネットワークアーキテクチャを変更し、不確実性誘導摂動超解法(UPSR)モデルを開発する。
モデルサイズとトレーニングのオーバーヘッドが減少しているにもかかわらず,提案したUWSR法は,様々なデータセットにおいて,定量的かつ定性的に,最先端の手法よりも優れていることを示す。
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) - Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。
本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。
既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
論文 参考訳(メタデータ) (2024-09-25T16:15:21Z) - Building Bridges across Spatial and Temporal Resolutions: Reference-Based Super-Resolution via Change Priors and Conditional Diffusion Model [13.368558322546784]
RefSRは、リモートセンシング画像の空間的および時間的解像度にまたがる橋を構築する可能性がある。
条件付き拡散モデルにより、現実的な高解像度画像を生成する新たな機会が開かれた。
本稿では,RefSRに対するRef-Diffを提案する。
論文 参考訳(メタデータ) (2024-03-26T07:48:49Z) - Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。
我々は、その固有のODE-軌道の正規化を提唱する。
実験により,提案手法は低照度化において優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-10-26T17:01:52Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T03:08:28Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳(メタデータ) (2023-05-26T07:35:49Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳(メタデータ) (2022-06-09T14:00:26Z)
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。