論文の概要: Diffusion Posterior Sampling for Super-Resolution under Gaussian Measurement Noise
- arxiv url: http://arxiv.org/abs/2512.21797v1
- Date: Thu, 25 Dec 2025 22:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-29 20:48:41.982511
- Title: Diffusion Posterior Sampling for Super-Resolution under Gaussian Measurement Noise
- Title（参考訳）: ガウス計測騒音下における超解像の拡散後サンプリング
- Authors: Abu Hanif Muhammad Syarubany,
- Abstract要約: 単一画像超解像(SISR)のための拡散後サンプリング(DPS)に関する研究
我々は,非条件拡散と勾配に基づく条件付けを併用した,確率誘導型サンプリング手法を実装した。
誘導尺度と雑音レベルによる後部サンプリング(PS)条件の評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This report studies diffusion posterior sampling (DPS) for single-image super-resolution (SISR) under a known degradation model. We implement a likelihood-guided sampling procedure that combines an unconditional diffusion prior with gradient-based conditioning to enforce measurement consistency for $4\times$ super-resolution with additive Gaussian noise. We evaluate posterior sampling (PS) conditioning across guidance scales and noise levels, using PSNR and SSIM as fidelity metrics and a combined selection score $(\mathrm{PSNR}/40)+\mathrm{SSIM}$. Our ablation shows that moderate guidance improves reconstruction quality, with the best configuration achieved at PS scale $0.95$ and noise standard deviation $σ=0.01$ (score $1.45231$). Qualitative results confirm that the selected PS setting restores sharper edges and more coherent facial details compared to the downsampled inputs, while alternative conditioning strategies (e.g., MCG and PS-annealed) exhibit different texture fidelity trade-offs. These findings highlight the importance of balancing diffusion priors and measurement-gradient strength to obtain stable, high-quality reconstructions without retraining the diffusion model for each operator.
- Abstract（参考訳）: 本報告では, 単一画像超解像(SISR)のための拡散後サンプリング(DPS)について, 既知の劣化モデルを用いて検討する。
我々は,非条件拡散と勾配に基づく条件付けを併用し,4\times$超分解能と加法ガウス雑音の計測一貫性を強制する可能性誘導サンプリング手法を実装した。
我々は,PSNRとSSIMをフィデリティの指標として用いて,誘導尺度と雑音レベルにまたがる後方サンプリング(PS)条件を評価し,選択スコアを$(\mathrm{PSNR}/40)+\mathrm{SSIM}$とする。
アブレーションにより,PSスケール0.95ドル,ノイズ標準偏差σ=0.01ドル(スコア1.45231ドル)で最高の構成が達成された。
定性的な結果から,選択したPS設定は,下手入力よりもシャープなエッジとよりコヒーレントな顔の細部を復元する一方,代替条件付け戦略(例えば,MCG,PS-アニール)は異なるテクスチャ忠実度トレードオフを示すことがわかった。
これらの知見は, 各演算子に対する拡散モデルの再学習を伴わずに, 安定かつ高品質な再構成を実現するためには, 拡散先行のバランスと測定段階の強度が重要であることを強調した。
関連論文リスト
- Stabilizing Diffusion Posterior Sampling by Noise--Frequency Continuation [52.736416985173776]
高雑音下では、不正確な推定から計算されたデータ一貫性勾配は、後部幾何学と幾何的に一致しない。
本稿では、雑音依存周波数帯域内でのみ測定一貫性を強制する中間部分の連続的なファミリを構成するノイズ周波数継続フレームワークを提案する。
提案手法は最先端性能を実現し,強いベースライン上で最大5dBのPSNRの動作劣化を改善する。
論文 参考訳（メタデータ） (2026-01-30T03:14:01Z) - Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling [4.619828919345113]
監視強化手法は、クリーンターゲットや既知の劣化へのアクセスを前提としている。
本稿では,Bモード画像の変換・復調を行うブラインド型自己教師型拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T15:28:25Z) - Rethinking Refinement: Correcting Generative Bias without Noise Injection [7.28668585578288]
拡散モデルやフローベースモデルを含む生成モデルは、しばしばサンプルの品質を低下させる体系的なバイアスを示す。
ノイズインジェクションやマルチステップ再サンプリングを使わずに,効果的なバイアス補正がポストホック法として実現できることを示す。
論文 参考訳（メタデータ） (2026-01-29T02:34:08Z) - Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。
結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
論文 参考訳（メタデータ） (2025-11-23T14:37:59Z) - G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。
複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。
G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
論文 参考訳（メタデータ） (2025-10-02T12:57:12Z) - Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining [4.511561231517167]
拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。
本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。
ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
論文 参考訳（メタデータ） (2025-09-11T22:22:32Z) - Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。
提案手法は問題に依存しず,様々な逆問題に容易に適応できる。
このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
論文 参考訳（メタデータ） (2025-07-22T19:35:14Z) - DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。
最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。
我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文 参考訳（メタデータ） (2024-09-05T17:59:46Z) - Diffusion Posterior Proximal Sampling for Image Restoration [27.35952624032734]
我々は拡散に基づく画像復元のための洗練されたパラダイムを提案する。
具体的には,各生成段階における測定値と一致したサンプルを選択する。
選択に使用する候補サンプルの数は、タイムステップの信号対雑音比に基づいて適応的に決定される。
論文 参考訳（メタデータ） (2024-02-25T04:24:28Z) - Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。
本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。
提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
論文 参考訳（メタデータ） (2023-05-24T17:09:54Z) - Preconditioned Score-based Generative Models [45.66744783988319]
直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。
本稿では,行列プレコンディショニングを利用して上記の問題を緩和する新しいプリコンディショニング拡散サンプリング法を提案する。
PDSはSGMの出力分布を保ち、元のサンプリングプロセスに系統的バイアスを引き起こすリスクはない。
論文 参考訳（メタデータ） (2023-02-13T16:30:53Z) - Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。
拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。
提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
論文 参考訳（メタデータ） (2022-11-20T01:09:49Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳（メタデータ） (2020-12-15T07:09:02Z)
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。