論文の概要: Advances in Diffusion-Based Generative Compression

• arxiv url: http://arxiv.org/abs/2601.18932v1
• Date: Mon, 26 Jan 2026 20:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.053085
• Title: Advances in Diffusion-Based Generative Compression
• Title（参考訳）: 拡散型生成圧縮の進歩
• Authors: Yibo Yang, Stephan Mandt,
• Abstract要約: 生成的モデリングのための拡散および関連手法は、ビジュアルメディアアプリケーションで広く成功している。 本稿では,近年の拡散型縮合法について概説する。
• 参考スコア（独自算出の注目度）: 39.89941842329785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Popularized by their strong image generation performance, diffusion and related methods for generative modeling have found widespread success in visual media applications. In particular, diffusion methods have enabled new approaches to data compression, where realistic reconstructions can be generated at extremely low bit-rates. This article provides a unifying review of recent diffusion-based methods for generative lossy compression, with a focus on image compression. These methods generally encode the source into an embedding and employ a diffusion model to iteratively refine it in the decoding procedure, such that the final reconstruction approximately follows the ground truth data distribution. The embedding can take various forms and is typically transmitted via an auxiliary entropy model, and recent methods also explore the use of diffusion models themselves for information transmission via channel simulation. We review representative approaches through the lens of rate-distortion-perception theory, highlighting the role of common randomness and connections to inverse problems, and identify open challenges.
• Abstract（参考訳）: 強力な画像生成性能、拡散および関連手法によって人気を博し、ビジュアルメディアアプリケーションで広く成功している。 特に拡散法はデータ圧縮に対する新しいアプローチを可能にしており、非常に低ビットレートで現実的な再構成を生成できる。 本稿では、画像圧縮に焦点をあて、近年の拡散に基づく縮退圧縮手法の統一的なレビューを提供する。 これらの手法は一般に、ソースを埋め込みにエンコードし、拡散モデルを用いてデコード手順でそれを反復的に洗練し、最終的な再構成は、基底真理データ分布にほぼ従うようにする。 埋め込みは様々な形態をとることができ、典型的には補助エントロピーモデルを介して伝達される。 本稿では, 確率-歪み-知覚理論のレンズによる代表的アプローチを概観し, 共通乱数性と逆問題との関連性を強調し, オープン課題の同定を行う。

関連論文リスト

• Generative Image Compression by Estimating Gradients of the Rate-variable Feature Distribution [37.60572296105984]
  生成画像圧縮に適した拡散に基づく新しい生成モデリングフレームワークを提案する。 逆ニューラルネットワークは、圧縮プロセスを直接反転することにより、画像の再構成を訓練する。 このアプローチは、最小限のサンプリングステップしか持たないスムーズなレート調整とフォトリアリスティックな再構成を実現する。
  論文  参考訳（メタデータ） (2025-05-27T10:18:24Z)
• Progressive Compression with Universally Quantized Diffusion Models [35.199627388957566]
  プログレッシブコーディングのための拡散モデルの可能性を探り、インクリメンタルに伝送および復号化が可能なビット列を導出する。 ガウス拡散モデルや条件付き拡散モデルに基づく先行研究とは異なり、前処理における一様雑音を伴う新しい拡散モデルを提案する。 画像圧縮において有望な第一結果が得られ、単一のモデルで幅広いビットレートで競合速度歪みとレートリアリズムが達成される。
  論文  参考訳（メタデータ） (2024-12-14T19:06:01Z)
• G2D2: Gradient-Guided Discrete Diffusion for Inverse Problem Solving [83.56510119503267]
  本稿では,従来の離散拡散に基づく生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。 我々は、従来の離散拡散モデルの欠点を吸収状態で緩和するために、星型ノイズプロセスを用いる。
  論文  参考訳（メタデータ） (2024-10-09T06:18:25Z)
• Lossy Image Compression with Foundation Diffusion Models [10.407650300093923]
  本研究は,拡散を用いた量子化誤差の除去をデノナイジングタスクとして定式化し,送信された遅延画像の損失情報を復元する。 当社のアプローチでは,完全な拡散生成プロセスの10%未満の実行が可能であり,拡散モデルにアーキテクチャ的な変更は不要である。
  論文  参考訳（メタデータ） (2024-04-12T16:23:42Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• 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。