Fugu-MT 論文翻訳(概要): A PDE-Based Image Dehazing Method via Atmospheric Scattering Theory

論文の概要: A PDE-Based Image Dehazing Method via Atmospheric Scattering Theory

arxiv url: http://arxiv.org/abs/2506.08793v1
Date: Tue, 10 Jun 2025 13:43:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-11 15:11:42.558863
Title: A PDE-Based Image Dehazing Method via Atmospheric Scattering Theory
Title（参考訳）: 大気散乱理論によるPDEに基づく画像デハージング法
Authors: Zhuoran Zheng,
Abstract要約: 本稿では, 単像脱ハージングのための新しい偏微分方程式(PDE)フレームワークを提案する。大気散乱モデルと非局所正則化とダークチャネルを併用することにより,改良されたPDEを提案する。
参考スコア（独自算出の注目度）: 2.17172315573773
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a novel partial differential equation (PDE) framework for single-image dehazing. By integrating the atmospheric scattering model with nonlocal regularization and dark channel prior, we propose the improved PDE: \[ -\text{div}\left(D(\nabla u)\nabla u\right) + \lambda(t) G(u) = \Phi(I,t,A) \] where $D(\nabla u) = (|\nabla u| + \epsilon)^{-1}$ is the edge-preserving diffusion coefficient, $G(u)$ is the Gaussian convolution operator, and $\lambda(t)$ is the adaptive regularization parameter based on transmission map $t$. We prove the existence and uniqueness of weak solutions in $H_0^1(\Omega)$ using Lax-Milgram theorem, and implement an efficient fixed-point iteration scheme accelerated by PyTorch GPU computation. The experimental results demonstrate that this method is a promising deghazing solution that can be generalized to the deep model paradigm.
Abstract（参考訳）: 本稿では, 単像脱ハージングのための新しい偏微分方程式(PDE)フレームワークを提案する。大気散乱モデルと非局所正規化とダークチャネルを前もって統合することにより、改良されたPDE: \[-\text{div}\left(D(\nabla))を提案する。 u)\nabla u\right) + \lambda (t)G (u) = \Phi(I,t,A) \]$D(\nabla) u) = (|\nabla u| + \epsilon)^{-1}$は、エッジ保存拡散係数、$Gである。 (u)$はガウスの畳み込み演算子で$\lambda (t)$は、送信マップ$t$に基づく適応正規化パラメータである。我々は、Lax-Milgram定理を用いて、弱解の存在と一意性を$H_0^1(\Omega)$で証明し、PyTorch GPU計算によって加速される効率的な固定点反復スキームを実装した。実験により,本手法は深層モデルパラダイムに一般化できる有望なデガジン解であることが示された。

関連論文リスト

Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。提案手法は問題に依存しず,様々な逆問題に容易に適応できる。このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
論文参考訳（メタデータ） (2025-07-22T19:35:14Z)
Beyond Blur: A Fluid Perspective on Generative Diffusion Models [0.6999740786886535]
本稿では, 対流拡散過程に基づく生成画像合成のための新しいPDE駆動の汚職過程を提案する。この研究は、流体力学、次元のないPDE理論、深層生成モデリングを橋渡しし、物理的に情報を得た画像の破損過程について新たな視点を提供する。
論文参考訳（メタデータ） (2025-06-20T08:31:30Z)
VideoPDE: Unified Generative PDE Solving via Video Inpainting Diffusion Models [8.189440319895823]
本稿では,ビデオ・インペインティング拡散変換器モデルを用いて偏微分方程式(PDE)を解くための統一的な枠組みを提案する。本研究では,細粒度,高忠実度インペイント,コンディショニングのための画素空間ビデオ拡散モデルを提案する。提案手法は,多種多様なPDEと問題設定にまたがる高精度で汎用的なソリューションを提供し,最先端のベースラインよりも優れた性能を実現している。
論文参考訳（メタデータ） (2025-06-16T17:58:00Z)
Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation [19.734778762515468]
拡散モデルは、物理系のモデリング、特に偏微分方程式(PDE)によって支配されるものにおいて、注目を集めている。本稿では, PDE 制約を直接拡散過程に注入するのではなく, ポストホック蒸留段階において適用する, 単純かつ効果的なポストホック蒸留法を提案する。
論文参考訳（メタデータ） (2025-05-28T14:17:58Z)
Forward-only Diffusion Probabilistic Models [23.247850964456177]
この研究は、生成モデリングのためのフォワードオンリー拡散(FoD)アプローチを示す。 FoDは単一の前方拡散プロセスを通じてデータ生成を直接学習し、シンプルだが効率的な生成フレームワークを生成する。私たちのコードはhttps://github.com/Algolzw/FoD.comで公開されています。
論文参考訳（メタデータ） (2025-05-22T14:47:07Z)
Outsourced diffusion sampling: Efficient posterior inference in latent spaces of generative models [65.71506381302815]
本稿では、$p(mathbfxmidmathbfy) propto p_theta(mathbfx)$ という形式の後続分布からサンプリングするコストを償却する。多くのモデルや制約に対して、後部ノイズ空間はデータ空間よりも滑らかであり、償却推論により適している。
論文参考訳（メタデータ） (2025-02-10T19:49:54Z)
Variable Selection in Convex Piecewise Linear Regression [5.366354612549172]
本稿では,凸片方向線形回帰における変数選択の解としてスパース勾配を提案する。亜ガウス雑音下でのSpGDには非漸近局所収束解析が提供される。
論文参考訳（メタデータ） (2024-11-04T16:19:09Z)
Conditioning diffusion models by explicit forward-backward bridging [18.358369507787742]
ジョイントモデル $pi(x, y)$ を対象とする非条件拡散モデルが与えられた場合、条件付きシミュレーション $pi(x mid y)$ を実行するためにそれを使うというのは、いまだに未解決の問題である。本研究では,部分的なSDEブリッジに対応する拡張空間上の推論問題として,近近性拡散モデル内でのEmphexact条件付きシミュレーションを表現する。
論文参考訳（メタデータ） (2024-05-22T16:17:03Z)
Convergence analysis of kernel learning FBSDE filter [0.8528368686417979]
カーネル学習後方SDEフィルタは、非線形フィルタリング問題を解決するための反復的かつ適応的なメッシュフリーアプローチである。フォッカー・プランカー方程式は状態変数の進化密度を定義し、近似密度を利用する。
論文参考訳（メタデータ） (2024-05-22T07:02:35Z)
Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文参考訳（メタデータ） (2024-05-09T17:59:40Z)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)
Minimax Optimality of Score-based Diffusion Models: Beyond the Density Lower Bound Assumptions [11.222970035173372]
カーネルベースのスコア推定器は$widetildeOleft(n-1 t-fracd+22(tfracd2 vee 1)rightの最適平均二乗誤差を達成する核を用いたスコア推定器は,拡散モデルで生成した試料の分布の総変動誤差に対して,極小ガウスの下での最大平均2乗誤差を$widetildeOleft(n-1/2 t-fracd4right)$上界で達成することを示す。
論文参考訳（メタデータ） (2024-02-23T20:51:31Z)
Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文参考訳（メタデータ） (2023-11-02T02:05:38Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。そこで我々は,真の後続分布を近似する設計手法を提案する。
論文参考訳（メタデータ） (2023-05-07T23:00:47Z)
Efficient Sampling of Stochastic Differential Equations with Positive Semi-Definite Models [91.22420505636006]
本稿では, ドリフト関数と拡散行列を考慮し, 微分方程式からの効率的なサンプリング問題を扱う。 1/varepsilonは$m2d log (1/varepsilon)$である。以上の結果から,真の解がより滑らかになるにつれて,どのような凸性も必要とせず,次元の呪いを回避できることが示唆された。
論文参考訳（メタデータ） (2023-03-30T02:50:49Z)
Improved Langevin Monte Carlo for stochastic optimization via landscape modification [0.0]
目的関数$H$を最小にするか,あるいは目標とするGibbs分布$pi_beta0propto e-beta H$を低温からサンプリングすると,本論文では,代替ランドスケープで動作するLangevin Monte Carlo (LMC)アルゴリズムを提案し,解析する。変換されたランドスケープのエネルギー障壁は減少し、その結果、$pif_beta,c,1$に付随する修正Log-Sobolev定数の$beta$と$M$の両方に依存することが示される。
論文参考訳（メタデータ） (2023-02-08T10:08:37Z)
Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity [121.83085611327654]
積 $r:=p + q$, ここで$r$は$mu$-strong convex類似性である。エージェントの通信やローカルコールにマスターされた問題を解決する方法を提案する。提案手法は$mathcalO(sqrtL_q/mu)$法よりもはるかにシャープである。
論文参考訳（メタデータ） (2022-05-30T14:28:02Z)
A first-order primal-dual method with adaptivity to local smoothness [64.62056765216386]
凸凹対象 $min_x max_y f(x) + langle Ax, yrangle - g*(y)$, ここで、$f$ は局所リプシッツ勾配を持つ凸関数であり、$g$ は凸かつ非滑らかである。主勾配ステップと2段ステップを交互に交互に行うCondat-Vuアルゴリズムの適応バージョンを提案する。
論文参考訳（メタデータ） (2021-10-28T14:19:30Z)
On the Self-Penalization Phenomenon in Feature Selection [69.16452769334367]
カーネル群に基づく暗黙の空間性誘導機構について述べる。アプリケーションとしては、この疎結合誘導機構を使用して、特徴選択に一貫性のあるアルゴリズムを構築します。
論文参考訳（メタデータ） (2021-10-12T09:36:41Z)
Asymptotic Theory of $\ell_1$-Regularized PDE Identification from a Single Noisy Trajectory [2.0299248281970956]
線形および非線形進化的偏微分方程式(PDE)の一般クラスに対する1つの雑音軌道からの支持回復を証明した。 Local-Polynomialフィルタによって定義される単一の軌道データから、$mathbfc(lambda)のサポートが基礎となるPDEに関連する真の署名サポートに$ally収束することを保証する十分な条件のセットを提供します。
論文参考訳（メタデータ） (2021-03-12T02:23:04Z)
Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文参考訳（メタデータ） (2020-06-12T10:21:40Z)
Spectral density estimation with the Gaussian Integral Transform [91.3755431537592]
スペクトル密度作用素 $hatrho(omega)=delta(omega-hatH)$ は線形応答論において中心的な役割を果たす。スペクトル密度を近似する近似量子アルゴリズムについて述べる。
論文参考訳（メタデータ） (2020-04-10T03:14:38Z)

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。