論文の概要: Equivariant Sampling for Improving Diffusion Model-based Image Restoration

• arxiv url: http://arxiv.org/abs/2511.09965v1
• Date: Fri, 14 Nov 2025 01:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.608577
• Title: Equivariant Sampling for Improving Diffusion Model-based Image Restoration
• Title（参考訳）: 拡散モデルに基づく画像復元のための等変サンプリング
• Authors: Chenxu Wu, Qingpeng Kong, Peiang Zhao, Wendi Yang, Wenxin Ma, Fenghe Tang, Zihang Jiang, S. Kevin Zhou,
• Abstract要約: 本稿では,2つのサンプリングトラジェクトリを通じて同変情報を付加するDMIR手法であるEquSを紹介する。 EquSをさらに強化するために、タイムステップ・アウェア・スケジュール(TAS)を提案し、EquS$+$を導入する。 本手法は従来の問題に依存しないDMIR法と互換性があり,計算コストを増大させることなく性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 25.06154860408637
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in generative models, especially diffusion models, have significantly improved image restoration (IR) performance. However, existing problem-agnostic diffusion model-based image restoration (DMIR) methods face challenges in fully leveraging diffusion priors, resulting in suboptimal performance. In this paper, we address the limitations of current problem-agnostic DMIR methods by analyzing their sampling process and providing effective solutions. We introduce EquS, a DMIR method that imposes equivariant information through dual sampling trajectories. To further boost EquS, we propose the Timestep-Aware Schedule (TAS) and introduce EquS$^+$. TAS prioritizes deterministic steps to enhance certainty and sampling efficiency. Extensive experiments on benchmarks demonstrate that our method is compatible with previous problem-agnostic DMIR methods and significantly boosts their performance without increasing computational costs. Our code is available at https://github.com/FouierL/EquS.
• Abstract（参考訳）: 生成モデル、特に拡散モデルにおける最近の進歩は、画像復元(IR)性能を著しく改善した。 しかし、既存の問題に依存しない拡散モデルに基づく画像復元(DMIR)手法は、拡散先行を十分に活用する上で課題に直面しており、その結果、準最適性能がもたらされる。 本稿では,現在のDMIR法の限界を,サンプリングプロセスの解析と有効解の提供によって解決する。 本稿では,2つのサンプリングトラジェクトリを通じて同変情報を付加するDMIR手法であるEquSを紹介する。 EquSをさらに強化するために、タイムステップ・アウェア・スケジュール(TAS)を提案し、EquS$^+$を導入する。 TASは、確実性とサンプリング効率を高めるために決定論的ステップを優先する。 ベンチマーク実験により,本手法は従来の問題に依存しないDMIR法と互換性があり,計算コストを増大させることなく性能を大幅に向上させることを示した。 私たちのコードはhttps://github.com/FouierL/EquS.comで公開されています。

関連論文リスト

• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• 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)
• Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
  本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。 我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
  論文  参考訳（メタデータ） (2024-12-01T03:57:21Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
  拡散モデルに基づく超解像(SR)法は有望な結果を示す。 しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。 本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T16:21:29Z)
• Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution [0.0]
  現在の手法では、劣化が知られており、復元と多様性の点で印象的な結果をもたらすと仮定している。 本研究では、これらのモデルの効率を活用し、復元された画像と未知のパラメータを共同で推定する。 本手法は,拡散モデルから抽出したサンプルを用いて,問題の対数類似度を近似し,未知のモデルパラメータを推定する方法とを交互に比較する。
  論文  参考訳（メタデータ） (2023-09-01T06:47:13Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)

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。