論文の概要: IS-Diff: Improving Diffusion-Based Inpainting with Better Initial Seed

• arxiv url: http://arxiv.org/abs/2509.11638v1
• Date: Mon, 15 Sep 2025 07:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.180603
• Title: IS-Diff: Improving Diffusion-Based Inpainting with Better Initial Seed
• Title（参考訳）: IS-Diff: 初期種子の改良による拡散性塗布の改善
• Authors: Yongzhe Lyu, Yu Wu, Yutian Lin, Bo Du,
• Abstract要約: Initial Seed refined Diffusion Model (IS-Diff) は、分散種子を組み込んだ完全に訓練なしの手法である。 我々は,CelebA-HQ,ImageNet,Places2データセットを用いて,標準的なタスクと大規模タスクの両方において,本手法の有効性を検証する。
• 参考スコア（独自算出の注目度）: 38.60130168747451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have shown promising results in free-form inpainting. Recent studies based on refined diffusion samplers or novel architectural designs led to realistic results and high data consistency. However, random initialization seed (noise) adopted in vanilla diffusion process may introduce mismatched semantic information in masked regions, leading to biased inpainting results, e.g., low consistency and low coherence with the other unmasked area. To address this issue, we propose the Initial Seed refined Diffusion Model (IS-Diff), a completely training-free approach incorporating distributional harmonious seeds to produce harmonious results. Specifically, IS-Diff employs initial seeds sampled from unmasked areas to imitate the masked data distribution, thereby setting a promising direction for the diffusion procedure. Moreover, a dynamic selective refinement mechanism is proposed to detect severe unharmonious inpaintings in intermediate latent and adjust the strength of our initialization prior dynamically. We validate our method on both standard and large-mask inpainting tasks using the CelebA-HQ, ImageNet, and Places2 datasets, demonstrating its effectiveness across all metrics compared to state-of-the-art inpainting methods.
• Abstract（参考訳）: 拡散モデルは、自由形式の塗装において有望な結果を示している。 近年の拡散サンプリングや新しい建築設計に基づく研究は、現実的な結果と高いデータの整合性をもたらした。 しかしながら、バニラ拡散過程においてランダム初期化シード(ノイズ)は、マスクされた領域でミスマッチしたセマンティック情報を導入し、例えば、低い一貫性と他の未成熟領域とのコヒーレンスを低下させる。 この問題に対処するために,分布型調和種子を組み込んだ完全学習自由な手法である初期種子改良拡散モデル(IS-Diff)を提案する。 具体的には、IS-Diffはマスクされたデータ分布を模倣するために、未加工領域から採取した初期種子を用いて、拡散手順の有望な方向を設定する。 さらに, 動的選択的改質機構を提案し, 初期化の強度を動的に調整する。 我々は,CelebA-HQ,ImageNet,Places2の2つのデータセットを用いて,標準的なインペイントタスクと大規模インペイントタスクについて検証を行い,その効果を最先端インペイント手法と比較した。

関連論文リスト

• Diffusion Priors for Variational Likelihood Estimation and Image Denoising [10.548018200066858]
  本稿では,現実の雑音に対処するために,逆拡散過程における適応的確率推定とMAP推定を提案する。 実世界の多様なデータセットの実験と分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-23T02:52:53Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• 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)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)

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。