論文の概要: Nuclear Diffusion Models for Low-Rank Background Suppression in Videos

• arxiv url: http://arxiv.org/abs/2509.20886v1
• Date: Thu, 25 Sep 2025 08:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.789874
• Title: Nuclear Diffusion Models for Low-Rank Background Suppression in Videos
• Title（参考訳）: ビデオにおける低域背景抑圧のための核拡散モデル
• Authors: Tristan S. W. Stevens, Oisín Nolan, Jean-Luc Robert, Ruud J. G. van Sloun,
• Abstract要約: 核拡散は、実際の医療画像問題、すなわち心臓超音波脱ハージングに基づいて評価される。 その結果、高忠実度ビデオ復元のためのモデルベース時間モデルと深部生成前のモデルを組み合わせる可能性を強調した。
• 参考スコア（独自算出の注目度）: 20.045809197071204
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Video sequences often contain structured noise and background artifacts that obscure dynamic content, posing challenges for accurate analysis and restoration. Robust principal component methods address this by decomposing data into low-rank and sparse components. Still, the sparsity assumption often fails to capture the rich variability present in real video data. To overcome this limitation, a hybrid framework that integrates low-rank temporal modeling with diffusion posterior sampling is proposed. The proposed method, Nuclear Diffusion, is evaluated on a real-world medical imaging problem, namely cardiac ultrasound dehazing, and demonstrates improved dehazing performance compared to traditional RPCA concerning contrast enhancement (gCNR) and signal preservation (KS statistic). These results highlight the potential of combining model-based temporal models with deep generative priors for high-fidelity video restoration.
• Abstract（参考訳）: ビデオシーケンスには、しばしば構造化されたノイズと背景のアーティファクトが含まれており、ダイナミックなコンテンツを隠蔽し、正確な分析と復元のための課題を提起する。 ロバストなプリンシパルコンポーネントメソッドは、データを低ランクでスパースなコンポーネントに分解することでこの問題に対処する。 それでも、空間性の仮定は、実際のビデオデータに存在する豊富な変動を捉えるのに失敗することが多い。 この制限を克服するために,低ランク時間モデルと拡散後サンプリングを組み合わせたハイブリッドフレームワークを提案する。 提案手法であるNuclear Diffusionは,心臓超音波脱ハージングという現実の医療画像問題に対して評価し,コントラスト増強 (gCNR) と信号保存 (KS statistic) に関する従来のRPCAと比較して脱ハージング性能が向上したことを示す。 これらの結果は,高忠実度ビデオ復元のためのモデルベース時間モデルと深部生成先行モデルを組み合わせる可能性を強調した。

関連論文リスト

• DiTVR: Zero-Shot Diffusion Transformer for Video Restoration [48.97196894658511]
  DiTVRはゼロショットビデオ復元フレームワークで、拡散トランスフォーマーと軌跡を意識した注意と流れ一貫したサンプルを結合する。 我々の注意機構は、光流路に沿ってトークンを整列させ、特に時間力学に最も敏感な重要な層に重点を置いている。 フローガイドされたサンプリング装置は、低周波帯域にのみデータの一貫性を注入し、キャッシュを加速させながら高周波事前保存を行う。
  論文  参考訳（メタデータ） (2025-08-11T09:54:45Z)
• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• SR-NeRV: Improving Embedding Efficiency of Neural Video Representation via Super-Resolution [0.0]
  Inlicit Neural Representations (INR)は、様々な領域における複雑なシグナルをモデル化する能力において、大きな注目を集めている。 汎用超解像(SR)ネットワークを統合したINRに基づく映像表現フレームワークを提案する。 自然画像に事前訓練された専用SRネットワークに細部を復元することで,視覚的忠実度を向上させる。
  論文  参考訳（メタデータ） (2025-04-30T03:31:40Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
  本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。 我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
  論文  参考訳（メタデータ） (2024-03-22T16:10:38Z)
• Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
  超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。 拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。 シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-31T16:51:40Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation [88.49030739715701]
  本研究は, フレームごとのノイズを, 全フレーム間で共有されるベースノイズ, 時間軸に沿って変化する残雑音に分解することで, 拡散過程を分解する。 様々なデータセットの実験により,ビデオフュージョンと呼ばれる我々の手法が,高品質なビデオ生成において,GANベースと拡散ベースの両方の選択肢を上回ることが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:16:39Z)

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。