論文の概要: UnfoldLDM: Deep Unfolding-based Blind Image Restoration with Latent Diffusion Priors

• arxiv url: http://arxiv.org/abs/2511.18152v1
• Date: Sat, 22 Nov 2025 18:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.656036
• Title: UnfoldLDM: Deep Unfolding-based Blind Image Restoration with Latent Diffusion Priors
• Title（参考訳）: UnfoldLDM:遅延拡散前処理による深部展開型ブラインド画像復元
• Authors: Chunming He, Rihan Zhang, Zheng Chen, Bowen Yang, CHengyu Fang, Yunlong Lin, Fengyang Xiao, Sina Farsiu,
• Abstract要約: そこで我々は,UnfoldLDMを提案し,深部展開ネットワークと潜時拡散モデル(LDM)を統合してブラインド画像復元を行う。 各段階において、UnfoldLDMは勾配降下ステップとして多粒度劣化認識モジュール(MGDA)を用いる。 本研究では, 劣化抑制型LCM (DR-LDM) を設計し, コンパクトな劣化不変前駆体を抽出する。 このユニークな組み合わせは、最終的な結果が劣化のない、視覚的に豊かなものであることを保証します。
• 参考スコア（独自算出の注目度）: 21.35552789229871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unfolding networks (DUNs) combine the interpretability of model-based methods with the learning ability of deep networks, yet remain limited for blind image restoration (BIR). Existing DUNs suffer from: (1) \textbf{Degradation-specific dependency}, as their optimization frameworks are tied to a known degradation model, making them unsuitable for BIR tasks; and (2) \textbf{Over-smoothing bias}, resulting from the direct feeding of gradient descent outputs, dominated by low-frequency content, into the proximal term, suppressing fine textures. To overcome these issues, we propose UnfoldLDM to integrate DUNs with latent diffusion model (LDM) for BIR. In each stage, UnfoldLDM employs a multi-granularity degradation-aware (MGDA) module as the gradient descent step. MGDA models BIR as an unknown degradation estimation problem and estimates both the holistic degradation matrix and its decomposed forms, enabling robust degradation removal. For the proximal step, we design a degradation-resistant LDM (DR-LDM) to extract compact degradation-invariant priors from the MGDA output. Guided by this prior, an over-smoothing correction transformer (OCFormer) explicitly recovers high-frequency components and enhances texture details. This unique combination ensures the final result is degradation-free and visually rich. Experiments show that our UnfoldLDM achieves a leading place on various BIR tasks and benefits downstream tasks. Moreover, our design is compatible with existing DUN-based methods, serving as a plug-and-play framework. Code will be released.
• Abstract（参考訳）: ディープ・アンフォールディング・ネットワーク(DUN)は、モデルベースの手法の解釈可能性とディープ・ネットワークの学習能力を組み合わせるが、ブラインド・イメージ・リカバリ(BIR)に限られる。 既存の DUN には、(1) \textbf{Degradation-specific dependency} という最適化フレームワークが既知の劣化モデルに結びついているので、BIR タスクには適さない。 これらの課題を克服するため、我々はUnfoldLDMを提案し、BIRのためのDUNと潜在拡散モデル(LDM)を統合する。 各段階において、UnfoldLDMは勾配降下ステップとして多粒度劣化認識モジュール(MGDA)を用いる。 MGDAは、BIRを未知の劣化推定問題としてモデル化し、全体分解行列とその分解形式の両方を推定し、堅牢な劣化除去を可能にする。 近位ステップでは、MGDA出力からコンパクトな劣化不変前駆体を抽出する耐劣化性LDM(DR-LDM)を設計する。 この前もって、OCFormer(Over-smoothing correct transformer)は、高周波数成分を明示的に回収し、テクスチャの詳細を強化する。 このユニークな組み合わせは、最終的な結果が劣化のない、視覚的に豊かなものであることを保証します。 実験の結果、UnfoldLDMは様々なBIRタスクや下流タスクにおいて主要な位置を占めます。 さらに、DUNベースの既存のメソッドと互換性があり、プラグイン・アンド・プレイのフレームワークとして機能します。 コードはリリースされる。

関連論文リスト

• UniLDiff: Unlocking the Power of Diffusion Priors for All-in-One Image Restoration [16.493990086330985]
  UniLDiffは、デグレッションとディテールを意識したメカニズムで強化された統合フレームワークである。 劣化認識機能融合(DAFF:Degradation-Aware Feature Fusion)を導入し,低品質機能を各段階に動的に注入する。 また,Detail-Aware Expert Module (DAEM) をデコーダ内に設計し,テクスチャと微細構造の回復性を高める。
  論文  参考訳（メタデータ） (2025-07-31T16:02:00Z)
• LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling [38.700993166492495]
  本稿では,事前学習した潜伏拡散モデルを用いた再帰サンプリングによるデータセットフリーで統一的な手法を提案する。 本手法では,マルチモーダル理解モデルを用いて,タスクブレンド条件下で生成モデルにセマンティックな事前情報を提供する。
  論文  参考訳（メタデータ） (2025-07-01T14:25:09Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model [59.08821399652483]
  照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。 これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。 我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。 Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
  論文  参考訳（メタデータ） (2023-11-20T09:55:06Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)

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。