論文の概要: CARD: Correlation Aware Restoration with Diffusion

• arxiv url: http://arxiv.org/abs/2512.05268v1
• Date: Thu, 04 Dec 2025 21:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.821197
• Title: CARD: Correlation Aware Restoration with Diffusion
• Title（参考訳）: CARD: 拡散に伴う認識の回復
• Authors: Niki Nezakati, Arnab Ghosh, Amit Roy-Chowdhury, Vishwanath Saragadam,
• Abstract要約: Relation Aware Restoration with Diffusion (CARD) は、相関ガウス雑音を処理するDDRMのトレーニング不要拡張である。 相関ノイズに対処することの重要性を強調するため,様々な照明条件で得られた新しい相関ノイズデータセットであるCIN-Dを提案する。 CARDは、デノイング、デブロアリング、超高解像度タスクにまたがる既存の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 8.859116375276157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Denoising diffusion models have achieved state-of-the-art performance in image restoration by modeling the process as sequential denoising steps. However, most approaches assume independent and identically distributed (i.i.d.) Gaussian noise, while real-world sensors often exhibit spatially correlated noise due to readout mechanisms, limiting their practical effectiveness. We introduce Correlation Aware Restoration with Diffusion (CARD), a training-free extension of DDRM that explicitly handles correlated Gaussian noise. CARD first whitens the noisy observation, which converts the noise into an i.i.d. form. Then, the diffusion restoration steps are replaced with noise-whitened updates, which inherits DDRM's closed-form sampling efficiency while now being able to handle correlated noise. To emphasize the importance of addressing correlated noise, we contribute CIN-D, a novel correlated noise dataset captured across diverse illumination conditions to evaluate restoration methods on real rolling-shutter sensor noise. This dataset fills a critical gap in the literature for experimental evaluation with real-world correlated noise. Experiments on standard benchmarks with synthetic correlated noise and on CIN-D demonstrate that CARD consistently outperforms existing methods across denoising, deblurring, and super-resolution tasks.
• Abstract（参考訳）: デノナイジング拡散モデルは、プロセスをシーケンシャルなデノナイジングステップとしてモデル化することで、画像復元における最先端の性能を達成した。 しかし、ほとんどのアプローチは独立かつ同一に分布するガウスノイズ(すなわちガウスノイズ)を仮定するが、現実のセンサーは読み出し機構によって空間的に相関するノイズをしばしば示し、実際の効果を制限している。 相関ガウス雑音を明示的に処理するDDRMのトレーニング不要拡張であるCARD(Relational Aware Restoration with Diffusion)を導入する。 CARDはまずノイズ観測を白くし、ノイズをi.i.d.形式に変換する。 そして、拡散回復ステップをノイズ白更新に置き換え、DDRMのクローズドフォームサンプリング効率を継承し、相関ノイズを処理できるようになった。 相関ノイズに対処することの重要性を強調するため,様々な照明条件にまたがる新しい相関ノイズデータセットであるCIN-Dを提案し,実際のローリングシャッターセンサノイズの復元方法を評価する。 このデータセットは、実世界の相関雑音を用いた実験評価のための文献の重大なギャップを埋める。 合成相関ノイズのある標準ベンチマークとCIN-Dの実験では、CARDはデノイング、デブロアリング、超分解能タスクで既存の手法よりも一貫して優れていた。

関連論文リスト

• Real Noise Decoupling for Hyperspectral Image Denoising [14.247569090609828]
  ハイパースペクトル画像(HSI)は,HSIの質を高めるための重要なステップである。 ノイズモデリング手法は、雑音分布に適合して合成HSIを生成し、デノナイジングネットワークを訓練する。 本稿では,複雑なノイズを明示的にモデル化し,暗黙的にモデル化したコンポーネントに分解する多段階ノイズ分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:23:07Z)
• 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)
• Conditional GAN for Enhancing Diffusion Models in Efficient and Authentic Global Gesture Generation from Audios [10.57695963534794]
  VAEに基づく手法には、局所的なジッタとグローバルな不安定性の問題が伴う。 本稿では,音声制御信号を捕捉し,拡散段差と発声段差の多モーダル denoising 分布を暗黙的に一致させる条件付き GAN を提案する。
  論文  参考訳（メタデータ） (2024-10-27T07:25:11Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• CFNet: Conditional Filter Learning with Dynamic Noise Estimation for Real Image Denoising [37.29552796977652]
  本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。 本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。 また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
  論文  参考訳（メタデータ） (2022-11-26T14:28:54Z)
• FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
  フローベースジョイントイメージとノイズモデル(FINO) 本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
  論文  参考訳（メタデータ） (2021-11-11T02:51:54Z)

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。