論文の概要: SONIC: Spectral Optimization of Noise for Inpainting with Consistency

• arxiv url: http://arxiv.org/abs/2511.19985v2
• Date: Wed, 26 Nov 2025 23:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 13:46:31.793032
• Title: SONIC: Spectral Optimization of Noise for Inpainting with Consistency
• Title（参考訳）: SONIC: コンシステンシーのある塗装用ノイズのスペクトル最適化
• Authors: Seungyeon Baek, Erqun Dong, Shadan Namazifard, Mark J. Matthews, Kwang Moo Yi,
• Abstract要約: そこで本研究では,市販のテキスト・ツー・イメージ・モデルで絵を描くための新しいトレーニングフリーな手法を提案する。 本研究は, 初期シードノイズの最適化について, 学習不要な塗布の欠落成分について論じる。 本手法が各種塗工作業における効果を実証し,その有効性を検証した。
• 参考スコア（独自算出の注目度）: 16.958406334948748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel training-free method for inpainting with off-the-shelf text-to-image models. While guidance-based methods in theory allow generic models to be used for inverse problems such as inpainting, in practice, their effectiveness is limited, leading to the necessity of specialized inpainting-specific models. In this work, we argue that the missing ingredient for training-free inpainting is the optimization (guidance) of the initial seed noise. We propose to optimize the initial seed noise to approximately match the unmasked parts of the data - with as few as a few tens of optimization steps. We then apply conventional training-free inpainting methods on top of our optimized initial seed noise. Critically, we propose two core ideas to effectively implement this idea: (i) to avoid the costly unrolling required to relate the initial noise and the generated outcome, we perform linear approximation; and (ii) to stabilize the optimization, we optimize the initial seed noise in the spectral domain. We demonstrate the effectiveness of our method on various inpainting tasks, outperforming the state of the art. Project page: https://ubc-vision.github.io/sonic/
• Abstract（参考訳）: そこで本研究では,市販のテキスト・ツー・イメージ・モデルで絵を描くための新しいトレーニングフリーな手法を提案する。 理論上のガイダンスに基づく手法は、インペイントのような逆問題にジェネリックモデルを使用することができるが、実際にはその有効性は限られており、特殊なインペイント固有のモデルが必要である。 本研究は, 初期シードノイズの最適化(誘導)が, 無塗布の欠落成分であると主張している。 我々は、初期シードノイズを最適化して、データの一部にほぼ一致するようにし、ほんの数ステップで最適化することを提案する。 次に、最適化された初期シードノイズの上に、従来のトレーニング不要な塗装手法を適用した。 批判的に、我々はこのアイデアを効果的に実装するための2つの中核的アイデアを提案している。 一 初期雑音と生成された結果とを関連付けるのに要する費用を省くため、線形近似を行う。 (II) 最適化を安定させるために, スペクトル領域における初期シードノイズを最適化する。 本手法が様々な塗装作業に有効であることを示す。 プロジェクトページ: https://ubc-vision.github.io/sonic/

関連論文リスト

• OptiPrune: Boosting Prompt-Image Consistency with Attention-Guided Noise and Dynamic Token Selection [0.0]
  分布を考慮した初期ノイズ最適化と類似性に基づくトークンプルーニングを組み合わせた統合フレームワークを提案する。 Animal-Animalを含むベンチマークデータセットの実験では、OptiPruneは計算コストを大幅に削減し、最先端のプロンプトイメージの一貫性を達成している。
  論文  参考訳（メタデータ） (2025-07-01T14:24:40Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• Learning of Patch-Based Smooth-Plus-Sparse Models for Image Reconstruction [14.93489065234423]
  最適化を二段階問題として定式化する。 我々は,デノナイズ,超高分解能,圧縮型磁気共鳴イメージングの手法について検討した。
  論文  参考訳（メタデータ） (2024-12-17T16:34:32Z)
• Stochastic Zeroth-Order Optimization under Strongly Convexity and Lipschitz Hessian: Minimax Sample Complexity [59.75300530380427]
  本稿では,アルゴリズムが検索対象関数の雑音評価にのみアクセス可能な2次スムーズかつ強い凸関数を最適化する問題を考察する。 本研究は, ミニマックス単純後悔率について, 一致した上界と下界を発達させることにより, 初めて厳密な評価を行ったものである。
  論文  参考訳（メタデータ） (2024-06-28T02:56:22Z)
• InitNO: Boosting Text-to-Image Diffusion Models via Initial Noise Optimization [27.508861002013358]
  InitNOは、意味的に忠実な画像の初期ノイズを洗練させるパラダイムである。 戦略的に構築されたノイズ最適化パイプラインは、初期ノイズを有効領域へ導くために開発された。 厳密な実験によって検証された本手法は,テキストのプロンプトに厳密な一致で画像を生成する能力を示す。
  論文  参考訳（メタデータ） (2024-04-06T14:56:59Z)
• Score Priors Guided Deep Variational Inference for Unsupervised Real-World Single Image Denoising [14.486289176696438]
  本稿では,実世界の実演のためのスコア先行誘導深部変分推論,すなわちScoreDVIを提案する。 我々は、実世界の雑音をモデル化するために、非i.i.d$ガウス混合モデルと変分ノイズ後部モデルを利用する。 提案手法は,他の単一画像ベースの実世界のデノベーション手法よりも優れ,データセットベースの教師なし手法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2023-08-09T03:26:58Z)
• Improving Pre-trained Language Model Fine-tuning with Noise Stability Regularization [94.4409074435894]
  本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。 具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。 提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-12T04:42:49Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
  サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。 モデルに基づく手続きが雑音勾配設定に収束することを証明する。 これは自己チューニング二次体を構築するための興味深いステップである。
  論文  参考訳（メタデータ） (2020-11-09T22:07:30Z)

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。