論文の概要: An Empirical Study of Sampling Hyperparameters in Diffusion-Based Super-Resolution

• arxiv url: http://arxiv.org/abs/2512.17675v1
• Date: Fri, 19 Dec 2025 15:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.456161
• Title: An Empirical Study of Sampling Hyperparameters in Diffusion-Based Super-Resolution
• Title（参考訳）: 拡散型超解法におけるサンプリング型ハイパーパラメータの実証的研究
• Authors: Yudhistira Arief Wibowo,
• Abstract要約: 我々はFFHQ超解像に関する実証的アブレーション研究を行い、事前学習した拡散モデルに条件付けを適用する際の性能に影響を及ぼす要因を特定する。 その結果,条件付ステップサイズは拡散ステップ数よりも有意に大きく,[2.0, 3.0]の範囲のステップサイズは,実験で最高の総合性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have shown strong potential for solving inverse problems such as single-image super-resolution, where a high-resolution image is recovered from a low-resolution observation using a pretrained unconditional prior. Conditioning methods, including Diffusion Posterior Sampling (DPS) and Manifold Constrained Gradient (MCG), can substantially improve reconstruction quality, but they introduce additional hyperparameters that require careful tuning. In this work, we conduct an empirical ablation study on FFHQ super-resolution to identify the dominant factors affecting performance when applying conditioning to pretrained diffusion models, and show that the conditioning step size has a significantly greater impact than the diffusion step count, with step sizes in the range of [2.0, 3.0] yielding the best overall performance in our experiments.
• Abstract（参考訳）: 拡散モデルは、事前訓練された非条件で低解像度の観測から高解像度の画像を回収する単一像超解法のような逆問題の解決に強い可能性を示している。 Diffusion Posterior Sampling (DPS) や Manifold Constrained Gradient (MCG) などのコンディショニング手法は、再現性を大幅に向上させるが、注意深いチューニングを必要とする追加のハイパーパラメータを導入する。 本研究では,FFHQの超解像実験を行い,条件付ステップサイズが拡散ステップ数よりも有意に大きいこと,[2.0, 3.0]の範囲のステップサイズが実験において最高の性能をもたらすことを示す。

関連論文リスト

• Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
  逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。 結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
  論文  参考訳（メタデータ） (2025-11-23T14:37:59Z)
• Equivariant Sampling for Improving Diffusion Model-based Image Restoration [25.06154860408637]
  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。
  論文  参考訳（メタデータ） (2025-11-13T04:56:53Z)
• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• 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)
• ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting [70.83632337581034]
  拡散に基づく画像超解像法(SR)は主に低推論速度によって制限される。 本稿では,SRの拡散段数を大幅に削減する新しい,効率的な拡散モデルを提案する。 本手法は,残差をシフトすることで高分解能画像と低分解能画像の間を移動させるマルコフ連鎖を構成する。
  論文  参考訳（メタデータ） (2023-07-23T15:10:02Z)
• 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)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)

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。