論文の概要: Quick Bypass Mechanism of Zero-Shot Diffusion-Based Image Restoration

• arxiv url: http://arxiv.org/abs/2507.04207v1
• Date: Sun, 06 Jul 2025 01:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.06728
• Title: Quick Bypass Mechanism of Zero-Shot Diffusion-Based Image Restoration
• Title（参考訳）: ゼロショット拡散画像の高速バイパス機構
• Authors: Yu-Shan Tai, An-Yeu, Wu,
• Abstract要約: そこで本研究では,中間近似から初期化することでデノナイジング過程を高速化し,早期デノナイジングステップを効果的に回避する戦略を提案する。 我々は,超高解像度,デブロアリング,圧縮センシングなど,複数の画像復元タスクにまたがるImageNet-1KとCelebAHQの手法を検証した。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in diffusion models have demonstrated remarkable success in various image generation tasks. Building upon these achievements, diffusion models have also been effectively adapted to image restoration tasks, e.g., super-resolution and deblurring, aiming to recover high-quality images from degraded inputs. Although existing zero-shot approaches enable pretrained diffusion models to perform restoration tasks without additional fine-tuning, these methods often suffer from prolonged iteration times in the denoising process. To address this limitation, we propose a Quick Bypass Mechanism (QBM), a strategy that significantly accelerates the denoising process by initializing from an intermediate approximation, effectively bypassing early denoising steps. Furthermore, recognizing that approximation may introduce inconsistencies, we introduce a Revised Reverse Process (RRP), which adjusts the weighting of random noise to enhance the stochasticity and mitigate potential disharmony. We validate proposed methods on ImageNet-1K and CelebA-HQ across multiple image restoration tasks, e.g., super-resolution, deblurring, and compressed sensing. Our experimental results show that the proposed methods can effectively accelerate existing methods while maintaining original performance.
• Abstract（参考訳）: 近年の拡散モデルの発展は、様々な画像生成タスクにおいて顕著な成功を収めている。 これらの成果に基づいて、拡散モデルは、劣化した入力から高品質な画像を復元することを目的として、画像復元タスク(例えば、超解像、分解)に効果的に適用されている。 既存のゼロショットアプローチは、事前訓練された拡散モデルにより、追加の微調整なしに復元タスクを実行できるが、これらの手法は、復調過程において長い反復時間に悩まされることが多い。 この制限に対処するために、中間近似から初期化し、初期偏極過程を効果的にバイパスする戦略であるQuick Bypass Mechanism (QBM)を提案する。 さらに,近似が不整合をもたらす可能性があることを認識し,ランダムノイズの重み付けを調整し,確率性を高め,潜在的な不整合を緩和するRevised Reverse Process (RRP)を導入する。 我々は,ImageNet-1K と CelebA-HQ の複数の画像復元タスク,例えば超解像,デブロアリング,圧縮センシングにおける提案手法を検証した。 実験結果から,提案手法は本来の性能を維持しつつ,既存の手法を効果的に高速化できることが示唆された。

関連論文リスト

• Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models [10.74767402912109]
  モデル再構成なしに様々な画像逆問題に対処できるゼロショットフレームワークを提案する。 そこで我々は,確率値の閉形式近似を導出するノイズ改善機構を提案する。 我々は、推論効率をさらに向上するために、Denoising Diffusion Implicit Models (DDIM) サンプリング戦略を統合する。
  論文  参考訳（メタデータ） (2025-06-16T11:56:50Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
  本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。 我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-03-21T17:52:08Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Implicit Image-to-Image Schrodinger Bridge for Image Restoration [13.138398298354113]
  我々は,Imlicit Image-to-Image Schr"odinger Bridge (I$3$SB)を導入し,I$2$SBの生成過程をさらに加速する。 I$3$SB は生成過程を生成過程に初期劣化した画像を各生成段階に組み込むことで非マルコフフレームワークに再構成する。 I$2$SBと比較すると、I$3$SBはより少ない生成ステップで同じ知覚品質を達成しつつ、根本真実への忠実さを維持したり改善したりすることができる。
  論文  参考訳（メタデータ） (2024-03-10T03:22:57Z)
• 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)

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。