論文の概要: Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration

• arxiv url: http://arxiv.org/abs/2511.06823v1
• Date: Mon, 10 Nov 2025 08:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.152094
• Title: Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration
• Title（参考訳）: 雑音画像復元のためのプラグ・アンド・プレイ拡散プリミティブと再重み付き最小方形の統合
• Authors: Ji Li, Chao Wang,
• Abstract要約: インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。 評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 6.402777145722335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing plug-and-play image restoration methods typically employ off-the-shelf Gaussian denoisers as proximal operators within classical optimization frameworks based on variable splitting. Recently, denoisers induced by generative priors have been successfully integrated into regularized optimization methods for image restoration under Gaussian noise. However, their application to non-Gaussian noise--such as impulse noise--remains largely unexplored. In this paper, we propose a plug-and-play image restoration framework based on generative diffusion priors for robust removal of general noise types, including impulse noise. Within the maximum a posteriori (MAP) estimation framework, the data fidelity term is adapted to the specific noise model. Departing from the conventional least-squares loss used for Gaussian noise, we introduce a generalized Gaussian scale mixture-based loss, which approximates a wide range of noise distributions and leads to an $\ell_q$-norm ($0<q\leq2$) fidelity term. This optimization problem is addressed using an iteratively reweighted least squares (IRLS) approach, wherein the proximal step involving the generative prior is efficiently performed via a diffusion-based denoiser. Experimental results on benchmark datasets demonstrate that the proposed method effectively removes non-Gaussian impulse noise and achieves superior restoration performance.
• Abstract（参考訳）: 既存のプラグ・アンド・プレイ画像復元法では、変数分割に基づく古典的最適化フレームワークにおける近似演算子としてオフ・ザ・シェルフ・ガウシアン・デノイザを用いるのが一般的である。 近年,ガウス雑音下での画像復元のための正規化最適化手法に,生成前処理によって誘導されるデノイザーがうまく組み込まれている。 しかし、その非ガウスノイズ(インパルスノイズなど)への応用はほとんど未検討である。 本稿では, インパルスノイズを含む一般的なノイズタイプを頑健に除去するための, 生成拡散先行情報に基づくプラグアンドプレイ画像復元フレームワークを提案する。 最大アフターリ(MAP)推定フレームワーク内では、データ忠実度項が特定のノイズモデルに適合する。 ガウス雑音に使用される最小二乗損失とは別に、一般化されたガウススケール混合損失を導入し、様々な雑音分布を近似し、$\ell_q$-norm(0<q\leq2$)の忠実度項をもたらす。 この最適化問題は、反復再重み付き最小二乗法(IRLS)アプローチを用いて解決され、生成前の近位ステップを拡散式デノイザにより効率的に行う。 評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。

関連論文リスト

• Image Restoration via Primal Dual Hybrid Gradient and Flow Generative Model [6.402777145722335]
  正則化ロバスト性は、画像の逆問題に対する古典的なアプローチであり、正則化項は未知の像の望ましい性質を強制する。 近年,フローマッチング画像復元機能の統合が注目されている。 そこで本研究では,正規化子に関連する演算子をモデルから派生した時間依存デブロワーに置き換える,モデル分割に基づくPlug-and-Playフレームワークに,このような生成前処理を組み込む。
  論文  参考訳（メタデータ） (2025-11-10T06:26:36Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Score-Based Turbo Message Passing for Plug-and-Play Compressive Image Recovery [24.60447255507278]
  オフ・ザ・シェルフのイメージ・デノイザは概して、一般的なまたは手作りの先駆者に依存している。 我々は, スコアベース最小二乗誤差(MMSE)デノイザを統合した, 圧縮画像復元のためのメッセージパッシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-28T04:30:58Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• Beyond Image Prior: Embedding Noise Prior into Conditional Denoising Transformer [17.430622649002427]
  既存の学習ベースの推論手法は、大規模なデータセットからイメージを一般化するためにモデルを訓練するのが一般的である。 本稿では,ノイズと画像の先行部分の分離を区別することによる,難読化問題に対する新たな視点を提案する。 本稿では,1つの生雑音画像から直接先行する雑音を正確に推定する局所雑音優先推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-12T08:43:11Z)
• Diffusion Gaussian Mixture Audio Denoise [23.760755498636943]
  本稿では拡散モデルとガウス混合モデルに基づくデノナイズモデルであるDiffGMMモデルを提案する。 まず1D-U-Netを用いて特徴を抽出し,ガウス混合モデルのパラメータを推定する線形層を訓練する。 推定ノイズからノイズ信号を連続的に減算してクリーンオーディオ信号を出力する。
  論文  参考訳（メタデータ） (2024-06-13T14:18:10Z)
• 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)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)

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。