論文の概要: Spectral-Structured Diffusion for Single-Image Rain Removal
- arxiv url: http://arxiv.org/abs/2603.09054v1
- Date: Tue, 10 Mar 2026 00:53:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-11 15:25:23.91763
- Title: Spectral-Structured Diffusion for Single-Image Rain Removal
- Title（参考訳）: 単一画像降雨除去のためのスペクトル構造拡散
- Abstract要約: 単イメージ降雨除去に適したスペクトル構造拡散型フレームワークであるSpectralDiffを紹介する。
本手法は,多方向降雨成分の進行抑制を導くため,構造的スペクトル摂動を取り入れた。
- 参考スコア（独自算出の注目度）: 5.382951136630937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain streaks manifest as directional and frequency-concentrated structures that overlap across multiple scales, making single-image rain removal particularly challenging. While diffusion-based restoration models provide a powerful framework for progressive denoising, standard spatial-domain diffusion does not explicitly account for such structured spectral characteristics. We introduce SpectralDiff, a spectral-structured diffusion-based framework tailored for single-image rain removal. Rather than redefining the diffusion formulation, our method incorporates structured spectral perturbations to guide the progressive suppression of multi-directional rain components. To support this design, we further propose a full-product U-Net architecture that leverages the convolution theorem to replace convolution operations with element-wise product layers, improving computational efficiency while preserving modeling capacity. Extensive experiments on synthetic and real-world benchmarks demonstrate that SpectralDiff achieves competitive rain removal performance with improved model compactness and favorable inference efficiency compared to existing diffusion-based approaches.
- Abstract（参考訳）: 雨のストリークは、複数のスケールにまたがる方向と周波数に集中した構造として現れ、単一イメージの雨の除去を特に困難にしている。
拡散に基づく復元モデルはプログレッシブ・デノナイズのための強力なフレームワークを提供するが、標準的な空間領域拡散はそのようなスペクトル特性を明示的に考慮していない。
単イメージ降雨除去に適したスペクトル構造拡散型フレームワークであるSpectralDiffを紹介する。
拡散定式化を再定義する代わりに,多方向降雨成分の進行抑制を導くために,構造的スペクトル摂動を取り入れた。
さらに,この設計を支援するために,畳み込み定理を利用して畳み込み操作を要素単位の積層に置き換え,モデリング能力を維持しながら計算効率を向上する完全生産型U-Netアーキテクチャを提案する。
合成および実世界のベンチマークに関する大規模な実験により、SpectralDiffは既存の拡散に基づくアプローチと比較して、モデルコンパクト性の向上と推論効率の向上により、競争性のある雨除去性能を達成することを示した。
関連論文リスト
- Revisiting Spectral Representations in Generative Diffusion Models [98.43552218868837]
拡散モデルは多様な生成タスクにおいて顕著な性能を示した。
近年の研究では,拡散ネットワークの隠れ状態に表現アライメントを付与することで,トレーニングの収束とサンプリング品質の向上が図られている。
摂動カーネルの共有視点による自己教師付きスペクトル表現学習と拡散生成モデルの関連性について検討する。
論文 参考訳（メタデータ） (2026-09-08T04:54:02Z) - Multiscale Hypersonic Boundary Layer Reconstruction via Spectral Binning and Subdomain-wise Conditional Diffusion [1.689433487573205]
本稿では,超音速クーエット流に対するマルチスケール確率的再構成フレームワークを提案する。
近壁状態は条件拡散モデルを用いた限られた上壁観測から推定される。
ソフトオーバーラップ塗装戦略は、サブドメイン予測をフルボリュームの再構成に組み立てる。
論文 参考訳（メタデータ） (2026-06-12T23:40:01Z) - SlimDiffSR: Toward Lightweight and Efficient Remote Sensing Image Super-Resolution via Diffusion Model Distillation [10.518150741228862]
SlimDiffSRは、現実世界のリモートセンシング画像の超高解像度化のための軽量で効率的な拡散ベースのフレームワークである。
推論アクセラレーションは最大200ドル、モデルパラメータはマルチステップの拡散モデルと比較して20ドルまで削減できる。
論文 参考訳（メタデータ） (2026-05-04T03:54:54Z) - High-Dimensional Noise to Low-Dimensional Manifolds: A Manifold-Space Diffusion Framework for Degraded Hyperspectral Image Classification [14.798241863302438]
実世界のリモートセンシングのシナリオでは、多重分解因子の重ね合わせは固有の多様体構造を妨害する。
本稿では, 複素劣化条件下での高スペクトル分類のための多様体空間拡散フレームワーク(MSDiff)を提案する。
論文 参考訳（メタデータ） (2026-04-29T04:20:42Z) - Spectral Regularization for Diffusion Models [14.919876123456747]
本稿では,異なるフーリエ領域とウェーブレット領域の損失で標準拡散訓練を増強するロスレベルスペクトル正規化フレームワークを提案する。
提案手法はDDPM, DDIM, EDMの定式化と互換性があり, 計算オーバーヘッドが無視できる。
論文 参考訳（メタデータ） (2026-03-02T22:39:02Z) - Generative Modeling of Aerosol State Representations [5.772617906251992]
エアロゾル-雲-放射相互作用は、地球の気候システムで最も不確実な構成要素である。
本稿では,特定質量および数濃度分布の深部変分オートエンコーダモデルを学習するためのフレームワークを提案する。
数百の原次元を10の潜伏変数に圧縮することにより、効率的なストレージと処理が可能になる。
論文 参考訳（メタデータ） (2025-10-11T22:38:30Z) - OBS-Diff: Accurate Pruning For Diffusion Models in One-Shot [4.990334603434127]
OBS-Diffは、大規模テキスト・画像拡散モデルの正確かつトレーニング不要な圧縮を可能にする、新しいワンショットプルーニングフレームワークである。
広汎な実験により、OBS-Diffは拡散モデルに対する最先端のワンショットプルーニングを実現し、視覚的品質の最小限の劣化を伴う推論加速を実現する。
論文 参考訳（メタデータ） (2025-10-08T08:19:15Z) - FaithDiff: Unleashing Diffusion Priors for Faithful Image Super-resolution [48.88184541515326]
本稿では,忠実な画像SRのための遅延拡散モデル(LDM)のパワーをフル活用するために,FithDiffというシンプルで効果的な手法を提案する。
高品質画像上で事前学習した拡散モデルを凍結する既存の拡散ベースSR法とは対照的に,有用な情報を特定し,忠実な構造を復元する前に拡散を解き放つことを提案する。
論文 参考訳（メタデータ） (2024-11-27T23:58:03Z) - Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。
E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。
我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文 参考訳（メタデータ） (2024-05-09T17:59:40Z) - 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) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - 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。