論文の概要: ControlMambaIR: Conditional Controls with State-Space Model for Image Restoration

• arxiv url: http://arxiv.org/abs/2506.02633v1
• Date: Tue, 03 Jun 2025 08:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.499254
• Title: ControlMambaIR: Conditional Controls with State-Space Model for Image Restoration
• Title（参考訳）: ControlMambaIR:画像復元のための状態空間モデルによる条件制御
• Authors: Cheng Yang, Lijing Liang, Zhixun Su,
• Abstract要約: 本稿では,画像のデライン化,デブロアリング,およびデノーミング作業における知覚的課題に対処する新しい画像復元手法であるControlMambaIRを提案する。 Mambaネットワークアーキテクチャと拡散モデルを統合することにより、条件ネットワークは洗練された条件制御を実現し、画像生成プロセスの制御と最適化を向上する。
• 参考スコア（独自算出の注目度）: 13.577709018178364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes ControlMambaIR, a novel image restoration method designed to address perceptual challenges in image deraining, deblurring, and denoising tasks. By integrating the Mamba network architecture with the diffusion model, the condition network achieves refined conditional control, thereby enhancing the control and optimization of the image generation process. To evaluate the robustness and generalization capability of our method across various image degradation conditions, extensive experiments were conducted on several benchmark datasets, including Rain100H, Rain100L, GoPro, and SSID. The results demonstrate that our proposed approach consistently surpasses existing methods in perceptual quality metrics, such as LPIPS and FID, while maintaining comparable performance in image distortion metrics, including PSNR and SSIM, highlighting its effectiveness and adaptability. Notably, ablation experiments reveal that directly noise prediction in the diffusion process achieves better performance, effectively balancing noise suppression and detail preservation. Furthermore, the findings indicate that the Mamba architecture is particularly well-suited as a conditional control network for diffusion models, outperforming both CNN- and Attention-based approaches in this context. Overall, these results highlight the flexibility and effectiveness of ControlMambaIR in addressing a range of image restoration perceptual challenges.
• Abstract（参考訳）: 本稿では,画像のデライン化,デブロアリング,およびデノーミング作業における知覚的課題に対処する新しい画像復元手法であるControlMambaIRを提案する。 Mambaネットワークアーキテクチャと拡散モデルを統合することにより、条件ネットワークは洗練された条件制御を実現し、画像生成プロセスの制御と最適化を向上する。 本研究では,Rain100H,Rain100L,GoPro,SSIDなど,様々な画像劣化条件下での手法の堅牢性と一般化性を評価するために,様々なベンチマークデータセットを用いて広範な実験を行った。 その結果,提案手法はLPIPSやFIDなどの知覚品質指標の既存手法を一貫して上回りつつ,PSNRやSSIMなどの画像歪み指標と同等の性能を維持し,その有効性と適応性を強調した。 特にアブレーション実験では,拡散過程における直接ノイズ予測が優れた性能を達成し,ノイズ抑制とディテール保存を効果的にバランスさせることが示されている。 さらに,Mambaアーキテクチャは拡散モデルに対する条件制御ネットワークとして特に適しており,CNNと注意に基づくアプローチよりも優れていることが示唆された。 これらの結果は,画像復元の課題に対処する上で,ControlMambaIRの柔軟性と有効性を強調している。

関連論文リスト

• One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
  画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。 VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。 提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
  論文  参考訳（メタデータ） (2025-06-03T08:28:13Z)
• WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
  自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。 コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。 提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
  論文  参考訳（メタデータ） (2024-10-07T05:36:11Z)
• Accelerating Diffusion for SAR-to-Optical Image Translation via Adversarial Consistency Distillation [5.234109158596138]
  本稿では,SAR-to-optical Image translationのための新しいトレーニングフレームワークを提案する。 本手法では, 画像の明瞭度を保証し, 色変化を最小限に抑えるために, 反復推論ステップの低減に一貫性蒸留を用い, 対角学習を統合した。 その結果,提案手法は生成画像の視覚的品質を維持しつつ,推論速度を131倍向上させることを示した。
  論文  参考訳（メタデータ） (2024-07-08T16:36:12Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• 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)
• 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)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)

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。