論文の概要: Reinforced Diffusion: Learning to Push the Limits of Anisotropic Diffusion for Image Denoising

• arxiv url: http://arxiv.org/abs/2512.24035v1
• Date: Tue, 30 Dec 2025 07:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.307972
• Title: Reinforced Diffusion: Learning to Push the Limits of Anisotropic Diffusion for Image Denoising
• Title（参考訳）: 強化拡散:画像復調のための異方性拡散の限界を押し上げる学習
• Authors: Xinran Qin, Yuhui Quan, Ruotao Xu, Hui Ji,
• Abstract要約: 強化学習に基づくトレーニング可能な異方性拡散フレームワークについて述べる。 ディープQ-ラーニングで学習した反復順序による一連の自然な拡散行動としてデノナイジング過程をモデル化することにより,効果的な拡散に基づく画像デノナイザを提案する。
• 参考スコア（独自算出の注目度）: 57.226775716102765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image denoising is an important problem in low-level vision and serves as a critical module for many image recovery tasks. Anisotropic diffusion is a wide family of image denoising approaches with promising performance. However, traditional anisotropic diffusion approaches use explicit diffusion operators which are not well adapted to complex image structures. As a result, their performance is limited compared to recent learning-based approaches. In this work, we describe a trainable anisotropic diffusion framework based on reinforcement learning. By modeling the denoising process as a series of naive diffusion actions with order learned by deep Q-learning, we propose an effective diffusion-based image denoiser. The diffusion actions selected by deep Q-learning at different iterations indeed composite a stochastic anisotropic diffusion process with strong adaptivity to different image structures, which enjoys improvement over the traditional ones. The proposed denoiser is applied to removing three types of often-seen noise. The experiments show that it outperforms existing diffusion-based methods and competes with the representative deep CNN-based methods.
• Abstract（参考訳）: 画像復調は低レベルの視覚において重要な問題であり、多くの画像回復作業において重要なモジュールとして機能する。 異方性拡散(Anisotropic diffusion)は、有望な性能を持つ画像分解アプローチの幅広いファミリーである。 しかし、従来の異方性拡散法では、複素像構造にはあまり適応しない明示的な拡散作用素を用いる。 その結果、近年の学習ベースアプローチと比較して性能は限られている。 本稿では,強化学習に基づくトレーニング可能な異方性拡散フレームワークについて述べる。 ディープQ-ラーニングで学習した順序による一連のナイーブ拡散行動としてデノナイジング過程をモデル化することにより,効果的な拡散に基づく画像デノナイザを提案する。 異なる反復で深部Q-ラーニングによって選択された拡散作用は、実際には、異なる画像構造に強い適応性を持つ確率異方性拡散過程を合成し、従来のものよりも改善される。 提案手法は3種類のノイズを除去するために適用される。 実験の結果,既存の拡散法よりも優れており,CNN法と競合することがわかった。

関連論文リスト

• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Diffusion Prism: Enhancing Diversity and Morphology Consistency in Mask-to-Image Diffusion [4.0301593672451]
  Diffusion Prismは、バイナリマスクを現実的で多様なサンプルに変換する、トレーニング不要のフレームワークである。 少量の人工ノイズが画像デノゲーションプロセスに大きく役立つことを探る。
  論文  参考訳（メタデータ） (2025-01-01T20:04:25Z)
• Diffusion Models With Learned Adaptive Noise [12.530583016267768]
  本稿では,拡散過程がデータから学べるかどうかを考察する。 広く信じられている仮定は、ELBOはノイズプロセスに不変であるということである。 画像間で異なる速度でノイズを印加する学習拡散過程であるMULANを提案する。
  論文  参考訳（メタデータ） (2023-12-20T18:00:16Z)
• Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
  本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。 我々は、その固有のODE-軌道の正規化を提唱する。 実験により,提案手法は低照度化において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-26T17:01:52Z)
• SVNR: Spatially-variant Noise Removal with Denoising Diffusion [43.2405873681083]
  本稿では,より現実的で空間的変動のある雑音モデルを想定した,微分拡散の新たな定式化について述べる。 実験では,強い拡散モデルベースラインに対するアプローチの利点と,最先端の単一画像復号法に対するアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-28T09:32:00Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)

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。