論文の概要: Exploiting Diffusion Prior for Task-driven Image Restoration

• arxiv url: http://arxiv.org/abs/2507.22459v1
• Date: Wed, 30 Jul 2025 08:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.081353
• Title: Exploiting Diffusion Prior for Task-driven Image Restoration
• Title（参考訳）: タスク駆動画像復元に先立つ爆発的拡散
• Authors: Jaeha Kim, Junghun Oh, Kyoung Mu Lee,
• Abstract要約: タスク駆動画像復元(TDIR)は、最近、低品質(LQ)入力による高レベルの視覚タスクのパフォーマンス低下に対応するために登場した。 従来のTDIR手法では、複数の複雑な要因によって画像が劣化する現実的なシナリオを扱うのに苦労していた。 本稿では,タスク関連の詳細の復元に先立って,拡散のパワーを効果的に活用するEDTRを提案する。
• 参考スコア（独自算出の注目度）: 47.36902705025445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Task-driven image restoration (TDIR) has recently emerged to address performance drops in high-level vision tasks caused by low-quality (LQ) inputs. Previous TDIR methods struggle to handle practical scenarios in which images are degraded by multiple complex factors, leaving minimal clues for restoration. This motivates us to leverage the diffusion prior, one of the most powerful natural image priors. However, while the diffusion prior can help generate visually plausible results, using it to restore task-relevant details remains challenging, even when combined with recent TDIR methods. To address this, we propose EDTR, which effectively harnesses the power of diffusion prior to restore task-relevant details. Specifically, we propose directly leveraging useful clues from LQ images in the diffusion process by generating from pixel-error-based pre-restored LQ images with mild noise added. Moreover, we employ a small number of denoising steps to prevent the generation of redundant details that dilute crucial task-related information. We demonstrate that our method effectively utilizes diffusion prior for TDIR, significantly enhancing task performance and visual quality across diverse tasks with multiple complex degradations.
• Abstract（参考訳）: タスク駆動画像復元(TDIR)は、最近、低品質(LQ)入力による高レベルの視覚タスクのパフォーマンス低下に対応するために登場した。 従来のTDIR法は、画像が複数の複雑な要因によって劣化する現実的なシナリオを扱うのに苦労しており、復元のための最小限の手がかりを残している。 このことは、最も強力な自然画像の1つである拡散事前の活用を動機付けます。 しかし,近年のTDIR法と組み合わせた場合でも,タスク関連の詳細の復元に利用することは困難である。 そこで本研究では,タスク関連の詳細の復元に先立って,拡散のパワーを効果的に活用するEDTRを提案する。 具体的には、拡散過程においてLQ画像から有用な手がかりを直接活用し、軽度ノイズを付加した画素エラーに基づくLQ画像から生成する。 さらに,重要なタスク関連情報を希薄化する冗長な詳細情報の発生を防止するために,少数のデノベーションステップを用いる。 提案手法は,TDIRの拡散前の拡散を効果的に利用し,複数の複雑な劣化を伴う多様なタスクにおけるタスク性能と視覚的品質を大幅に向上させることを実証する。

関連論文リスト

• Decouple to Reconstruct: High Quality UHD Restoration via Active Feature Disentanglement and Reversible Fusion [77.08942160610478]
  超高精細画像復元(UHD)は、高解像度のため、しばしば計算ボトルネックや情報損失に直面している。 本稿では,より難解な劣化情報を潜時空間に符号化しながら,容易に復元可能な背景情報を破棄する制御付き微分遠絡型VAEを提案する。 提案手法は,UHD画像復元の精度を向上し,UHD画像復元の6つの課題を1Mパラメータのみで実現し,VAEモデルにおける情報損失問題を効果的に軽減する。
  論文  参考訳（メタデータ） (2025-03-17T02:55:18Z)
• UniRestore: Unified Perceptual and Task-Oriented Image Restoration Model Using Diffusion Prior [56.35236964617809]
  画像復元は、悪天候、ぼやけ、騒音などの様々な要因によって劣化した入力からコンテンツを回復することを目的としている。 本稿では,PIRとTIRのギャップを埋める統一画像復元モデルUniRestoreを紹介する。 本稿では,分解エンコーダの特徴を再構築するための補足的特徴回復モジュール (CFRM) と,デコーダの適応的特徴融合を容易にするタスク特徴適応モジュール (TFA) を提案する。
  論文  参考訳（メタデータ） (2025-01-22T08:06:48Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• One-Step Effective Diffusion Network for Real-World Image Super-Resolution [11.326598938246558]
  本稿では,Real-ISR問題に対する1ステップの効果的な拡散ネットワーク,すなわちOSEDiffを提案する。 トレーニング可能な層で事前学習した拡散ネットワークを微調整し、複雑な画像劣化に適応する。 我々のOSEDiffモデルは1つの拡散ステップでHQイメージを効率よく効果的に生成できる。
  論文  参考訳（メタデータ） (2024-06-12T13:10:31Z)
• DiffuseRAW: End-to-End Generative RAW Image Processing for Low-Light Images [5.439020425819001]
  我々はRAW画像上の微調整潜伏拡散モデルに依存する新しい生成ISPを開発した。 我々は、有望な結果が得られる人気のエンドツーエンドの低照度データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-12-13T03:39:05Z)

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。