論文の概要: PGP-DiffSR: Phase-Guided Progressive Pruning for Efficient Diffusion-based Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2512.02681v1
• Date: Tue, 02 Dec 2025 12:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.85343
• Title: PGP-DiffSR: Phase-Guided Progressive Pruning for Efficient Diffusion-based Image Super-Resolution
• Title（参考訳）: PGP-DiffSR:高効率拡散型超解像のための位相誘導プログレッシブプルーニング
• Authors: Zhongbao Yang, Jiangxin Dong, Yazhou Yao, Jinhui Tang, Jinshan Pan,
• Abstract要約: 拡散モデルから冗長情報を除去する軽量拡散法 PGP-DiffSR を開発した。 本手法は,計算負荷とメモリ消費を大幅に削減しつつ,競合する復元品質を実現する。
• 参考スコア（独自算出の注目度）: 95.61422489193113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although diffusion-based models have achieved impressive results in image super-resolution, they often rely on large-scale backbones such as Stable Diffusion XL (SDXL) and Diffusion Transformers (DiT), which lead to excessive computational and memory costs during training and inference. To address this issue, we develop a lightweight diffusion method, PGP-DiffSR, by removing redundant information from diffusion models under the guidance of the phase information of inputs for efficient image super-resolution. We first identify the intra-block redundancy within the diffusion backbone and propose a progressive pruning approach that removes redundant blocks while reserving restoration capability. We note that the phase information of the restored images produced by the pruned diffusion model is not well estimated. To solve this problem, we propose a phase-exchange adapter module that explores the phase information of the inputs to guide the pruned diffusion model for better restoration performance. We formulate the progressive pruning approach and the phase-exchange adapter module into a unified model. Extensive experiments demonstrate that our method achieves competitive restoration quality while significantly reducing computational load and memory consumption. The code is available at https://github.com/yzb1997/PGP-DiffSR.
• Abstract（参考訳）: 拡散ベースのモデルは画像超解像において顕著な結果を得たが、安定拡散XL (SDXL) や拡散変換器 (DiT) のような大規模なバックボーンに依存しており、トレーニングや推論において過剰な計算とメモリコストをもたらす。 この問題を解決するために,画像超解像のための入力の位相情報の誘導の下で,拡散モデルから冗長情報を除去し,軽量拡散法であるPGP-DiffSRを開発した。 まず,拡散バックボーン内のブロック内冗長性を同定し,復元能力を保ちながら冗長ブロックを除去するプログレッシブプルーニング手法を提案する。 我々は, プルーンド拡散モデルにより生成された復元画像の位相情報が十分に推定されていないことに注意する。 そこで本研究では, 位相情報を探索し, プルーンド拡散モデルを導出する位相交換アダプタモジュールを提案する。 我々は、プログレッシブプルーニングアプローチと位相交換アダプタモジュールを統一モデルに定式化する。 大規模な実験により,計算負荷とメモリ消費を大幅に削減しつつ,競争力のある復元性能を実現することができた。 コードはhttps://github.com/yzb1997/PGP-DiffSRで公開されている。

関連論文リスト

• FaithDiff: Unleashing Diffusion Priors for Faithful Image Super-resolution [48.88184541515326]
  本稿では,忠実な画像SRのための遅延拡散モデル(LDM)のパワーをフル活用するために,FithDiffというシンプルで効果的な手法を提案する。 高品質画像上で事前学習した拡散モデルを凍結する既存の拡散ベースSR法とは対照的に,有用な情報を特定し,忠実な構造を復元する前に拡散を解き放つことを提案する。
  論文  参考訳（メタデータ） (2024-11-27T23:58:03Z)
• A Wavelet Diffusion GAN for Image Super-Resolution [7.986370916847687]
  拡散モデルは,高忠実度画像生成のためのGAN(Generative Adversarial Network)の優れた代替品として登場した。 しかし、そのリアルタイム実現性は、遅いトレーニングと推論速度によって妨げられている。 本研究では,ウェーブレットを用いた単一画像超解法のための条件拡散GANスキームを提案する。
  論文  参考訳（メタデータ） (2024-10-23T15:34:06Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。