論文の概要: Harnessing Diffusion-Yielded Score Priors for Image Restoration

• arxiv url: http://arxiv.org/abs/2507.20590v2
• Date: Tue, 29 Jul 2025 23:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 11:57:45.838298
• Title: Harnessing Diffusion-Yielded Score Priors for Image Restoration
• Title（参考訳）: 画像再生に先立つ拡散収率スコアのハーネス化
• Authors: Xinqi Lin, Fanghua Yu, Jinfan Hu, Zhiyuan You, Wu Shi, Jimmy S. Ren, Jinjin Gu, Chao Dong,
• Abstract要約: 深部画像復元モデルは、劣化した画像空間から自然画像空間へのマッピングを学習することを目的としている。 MSEベース、GANベース、拡散ベースメソッドの3つの主要なクラスが登場した。 これらの課題に対処するための新しい手法HYPIRを提案する。
• 参考スコア（独自算出の注目度）: 29.788482710572307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep image restoration models aim to learn a mapping from degraded image space to natural image space. However, they face several critical challenges: removing degradation, generating realistic details, and ensuring pixel-level consistency. Over time, three major classes of methods have emerged, including MSE-based, GAN-based, and diffusion-based methods. However, they fail to achieve a good balance between restoration quality, fidelity, and speed. We propose a novel method, HYPIR, to address these challenges. Our solution pipeline is straightforward: it involves initializing the image restoration model with a pre-trained diffusion model and then fine-tuning it with adversarial training. This approach does not rely on diffusion loss, iterative sampling, or additional adapters. We theoretically demonstrate that initializing adversarial training from a pre-trained diffusion model positions the initial restoration model very close to the natural image distribution. Consequently, this initialization improves numerical stability, avoids mode collapse, and substantially accelerates the convergence of adversarial training. Moreover, HYPIR inherits the capabilities of diffusion models with rich user control, enabling text-guided restoration and adjustable texture richness. Requiring only a single forward pass, it achieves faster convergence and inference speed than diffusion-based methods. Extensive experiments show that HYPIR outperforms previous state-of-the-art methods, achieving efficient and high-quality image restoration.
• Abstract（参考訳）: 深部画像復元モデルは、劣化した画像空間から自然画像空間へのマッピングを学習することを目的としている。 しかし、分解の除去、現実的な詳細の生成、ピクセルレベルの一貫性の確保など、いくつかの重要な課題に直面している。 時間とともに、MSEベース、GANベース、拡散ベースメソッドを含む3つの主要な手法が出現した。 しかし、修復の質、忠実さ、スピードのバランスが良くない。 これらの課題に対処するための新しい手法HYPIRを提案する。 我々のソリューションパイプラインは単純で、事前訓練された拡散モデルで画像復元モデルを初期化し、敵の訓練で微調整する。 このアプローチは拡散損失、反復サンプリング、追加のアダプタに依存しない。 本研究では,事前学習した拡散モデルから逆方向のトレーニングを初期化することにより,自然画像の分布に非常に近い位置で初期復元モデルを構築することを理論的に実証する。 この初期化により数値安定性が向上し、モード崩壊を回避し、対向訓練の収束を大幅に加速する。 さらに、HYPIRは、リッチユーザ制御による拡散モデルの機能を継承し、テキスト誘導による復元と調整可能なテクスチャリッチ性を実現する。 1つのフォワードパスしか必要とせず、拡散ベースの手法よりも高速な収束と推論速度を達成する。 広汎な実験により、HYPIRは従来の最先端の手法よりも優れ、効率的で高品質な画像復元を実現していることが示された。

関連論文リスト

• Diffusion Once and Done: Degradation-Aware LoRA for Efficient All-in-One Image Restoration [14.922600858354983]
  Diffusion Once and Done (DOD) 法は, 安定拡散(SD)モデルの1段階サンプリングのみで, 優れた復元性能を実現することを目的としている。 本手法は,視覚的品質と推論効率の両方において,既存の拡散型修復手法よりも優れる。
  論文  参考訳（メタデータ） (2025-08-05T12:26:28Z)
• Quick Bypass Mechanism of Zero-Shot Diffusion-Based Image Restoration [0.8192907805418583]
  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。
  論文  参考訳（メタデータ） (2025-07-06T01:36:27Z)
• TD-BFR: Truncated Diffusion Model for Efficient Blind Face Restoration [17.79398314291093]
  効率的なブラインドフェース修復(TD-BFR)のための新しいトレンシド拡散モデルを提案する。 TD-BFRは、低解像度(LQ)の画像から始まり、サンプリング速度を向上させる革新的な切り抜きサンプリング手法を採用している。 提案手法は,TD-BFRが現状の拡散型BFR法より平均4.75$times$で高速であることを示す。
  論文  参考訳（メタデータ） (2025-03-26T13:35:43Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• 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)
• PGDiff: Guiding Diffusion Models for Versatile Face Restoration via Partial Guidance [65.5618804029422]
  これまでの研究は、明示的な劣化モデルを用いて解空間を制限することで、注目すべき成功を収めてきた。 実世界の劣化に適応可能な新しい視点である部分的ガイダンスを導入することでPGDiffを提案する。 提案手法は,既存の拡散優先手法に勝るだけでなく,タスク固有モデルと良好に競合する。
  論文  参考訳（メタデータ） (2023-09-19T17:51:33Z)
• Diffusion Models for Image Restoration and Enhancement -- A Comprehensive Survey [96.99328714941657]
  本稿では,近年の拡散モデルに基づく画像復元手法について概観する。 我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。 本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
  論文  参考訳（メタデータ） (2023-08-18T08:40:38Z)
• 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。