論文の概要: Robust Depth Super-Resolution via Adaptive Diffusion Sampling

• arxiv url: http://arxiv.org/abs/2602.09510v1
• Date: Tue, 10 Feb 2026 08:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.441437
• Title: Robust Depth Super-Resolution via Adaptive Diffusion Sampling
• Title（参考訳）: 適応拡散サンプリングによるロバスト深さ超解法
• Authors: Kun Wang, Yun Zhu, Pan Zhou, Na Zhao,
• Abstract要約: AdaDSは任意の劣化した入力から高分解能深度マップを頑健に復元する。 AdaDSはガウス平滑化の収縮特性に乗じている。 実世界および合成ベンチマークの実験は、AdaDSの優れたゼロショット一般化を実証している。
• 参考スコア（独自算出の注目度）: 32.09035309959689
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose AdaDS, a generalizable framework for depth super-resolution that robustly recovers high-resolution depth maps from arbitrarily degraded low-resolution inputs. Unlike conventional approaches that directly regress depth values and often exhibit artifacts under severe or unknown degradation, AdaDS capitalizes on the contraction property of Gaussian smoothing: as noise accumulates in the forward process, distributional discrepancies between degraded inputs and their pristine high-quality counterparts diminish, ultimately converging to isotropic Gaussian prior. Leveraging this, AdaDS adaptively selects a starting timestep in the reverse diffusion trajectory based on estimated refinement uncertainty, and subsequently injects tailored noise to position the intermediate sample within the high-probability region of the target posterior distribution. This strategy ensures inherent robustness, enabling generative prior of a pre-trained diffusion model to dominate recovery even when upstream estimations are imperfect. Extensive experiments on real-world and synthetic benchmarks demonstrate AdaDS's superior zero-shot generalization and resilience to diverse degradation patterns compared to state-of-the-art methods.
• Abstract（参考訳）: 任意の劣化した低分解能入力から高分解能深度マップを頑健に復元する,高分解能超解法のための一般化可能なフレームワークであるAdaDSを提案する。 AdaDSは、深さの値を直接回帰させ、しばしば深刻な劣化や未知の劣化の下でアーティファクトを提示する従来のアプローチとは異なり、ガウスの滑らか化の収縮特性を生かしている: ノイズが前方の過程に蓄積するにつれて、劣化した入力とそれらの原始的な高品質なものの間の分布の相違は減少し、最終的には等方的なガウスの先行に収束する。 これを利用して、AdaDSは推定された洗練された不確実性に基づいて、逆拡散軌道の開始時間ステップを適応的に選択し、その後、調整されたノイズを注入して、中間試料をターゲット後部分布の高確率領域に配置する。 この戦略は、上流推定が不完全である場合でも、事前訓練された拡散モデルの生成前の生成がリカバリを支配できる固有のロバスト性を保証する。 実世界および合成ベンチマークに関する大規模な実験は、最先端の手法と比較して、AdaDSの優れたゼロショット一般化と多様な劣化パターンに対するレジリエンスを示している。

関連論文リスト

• Solving Diffusion Inverse Problems with Restart Posterior Sampling [2.9527010146189556]
  逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T20:42:33Z)
• 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)
• Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
  後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。 マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。 本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-02T17:58:37Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
  そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。 複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。 実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
  論文  参考訳（メタデータ） (2024-04-15T14:29:47Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。