論文の概要: Residual Diffusion Bridge Model for Image Restoration

• arxiv url: http://arxiv.org/abs/2510.23116v1
• Date: Mon, 27 Oct 2025 08:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.496227
• Title: Residual Diffusion Bridge Model for Image Restoration
• Title（参考訳）: 画像復元のための残留拡散ブリッジモデル
• Authors: Hebaixu Wang, Jing Zhang, Haoyang Chen, Haonan Guo, Di Wang, Jiayi Ma, Bo Du,
• Abstract要約: 拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
• 参考スコア（独自算出の注目度）: 57.31163715170476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion bridge models establish probabilistic paths between arbitrary paired distributions and exhibit great potential for universal image restoration. Most existing methods merely treat them as simple variants of stochastic interpolants, lacking a unified analytical perspective. Besides, they indiscriminately reconstruct images through global noise injection and removal, inevitably distorting undegraded regions due to imperfect reconstruction. To address these challenges, we propose the Residual Diffusion Bridge Model (RDBM). Specifically, we theoretically reformulate the stochastic differential equations of generalized diffusion bridge and derive the analytical formulas of its forward and reverse processes. Crucially, we leverage the residuals from given distributions to modulate the noise injection and removal, enabling adaptive restoration of degraded regions while preserving intact others. Moreover, we unravel the fundamental mathematical essence of existing bridge models, all of which are special cases of RDBM and empirically demonstrate the optimality of our proposed models. Extensive experiments are conducted to demonstrate the state-of-the-art performance of our method both qualitatively and quantitatively across diverse image restoration tasks. Code is publicly available at https://github.com/MiliLab/RDBM.
• Abstract（参考訳）: 拡散ブリッジモデルは任意の対の分布間の確率的経路を確立し、普遍的な画像復元の可能性を示す。 既存のほとんどの手法は単にそれらを単純な確率的補間体の変種として扱い、統一的な解析的視点を欠いている。 さらに、大域的なノイズ注入と除去によって画像の無差別に再構成し、不完全な再構成により必然的に劣化しない領域を歪ませる。 これらの課題に対処するため,Residual Diffusion Bridge Model (RDBM)を提案する。 具体的には、一般化拡散ブリッジの確率微分方程式を理論的に再構成し、その前方および逆過程の解析公式を導出する。 重要なことは、与えられた分布からの残留物を利用してノイズ注入と除去を調節し、劣化した領域を適応的に復元し、他の領域を無傷で保存することを可能にする。 さらに,既存の橋梁モデルの基本的数学的基礎を明らかにする。これらはRDBMの特殊な事例であり,提案モデルの最適性を実証的に示すものである。 画像復元作業において,定性的かつ定量的に手法の最先端性能を実証するために,広範囲にわたる実験を行った。 コードはhttps://github.com/MiliLab/RDBMで公開されている。

関連論文リスト

• Image Restoration Through Generalized Ornstein-Uhlenbeck Bridge [13.610545398309464]
  一般化オルンシュタイン・ウレンベック橋(GOUB)モデルについて紹介する。 一般化されたOUプロセスの自然な平均回帰特性を利用することで、点から点への拡散写像を実現する。 また,対応するMean-ODEモデルを用いて,画素レベルの細部と構造的知覚の両方を捉える。
  論文  参考訳（メタデータ） (2023-12-16T03:09:28Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)

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。