論文の概要: UHD Image Deblurring via Autoregressive Flow with Ill-conditioned Constraints

• arxiv url: http://arxiv.org/abs/2603.10517v1
• Date: Wed, 11 Mar 2026 08:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.842167
• Title: UHD Image Deblurring via Autoregressive Flow with Ill-conditioned Constraints
• Title（参考訳）: Ill条件制約による自己回帰流によるUHD画像の劣化
• Authors: Yucheng Xin, Dawei Zhao, Xiang Chen, Chen Wu, Pu Wang, Dianjie Lu, Guijuan Zhang, Xiuyi Jia, Zhuoran Zheng,
• Abstract要約: 本稿では,不条件制約によるUHD画像の劣化に対する新しい自己回帰流法を提案する。 提案手法は4K (3840$times$2160) 以上の高解像度画像に対して有望な性能を示す。
• 参考スコア（独自算出の注目度）: 30.460238120030905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-high-definition (UHD) image deblurring poses significant challenges for UHD restoration methods, which must balance fine-grained detail recovery and practical inference efficiency. Although prominent discriminative and generative methods have achieved remarkable results, a trade-off persists between computational cost and the ability to generate fine-grained detail for UHD image deblurring tasks. To further alleviate these issues, we propose a novel autoregressive flow method for UHD image deblurring with an ill-conditioned constraint. Our core idea is to decompose UHD restoration into a progressive, coarse-to-fine process: at each scale, the sharp estimate is formed by upsampling the previous-scale result and adding a current-scale residual, enabling stable, stage-wise refinement from low to high resolution. We further introduce Flow Matching to model residual generation as a conditional vector field and perform few-step ODE sampling with efficient Euler/Heun solvers, enriching details while keeping inference affordable. Since multi-step generation at UHD can be numerically unstable, we propose an ill-conditioning suppression scheme by imposing condition-number regularization on a feature-induced attention matrix, improving convergence and cross-scale consistency. Our method demonstrates promising performance on blurred images at 4K (3840$\times$2160) or higher resolutions.
• Abstract（参考訳）: 超高精細画像分解(UHD)は、微細な詳細回復と実用的な推論効率のバランスをとる必要があるUHD復元法において重要な課題となる。 顕著な識別的および生成的手法は目覚ましい結果を得たが、計算コストとUHD画像の精細な細部を生成する能力とのトレードオフは持続している。 これらの問題をさらに緩和するために,不条件制約付きUHD画像の自己回帰流法を提案する。 我々の中心となる考え方は、UHD修復を進行的で粗大なプロセスに分解することであり、各スケールにおいて、急激な見積もりは、前のスケールの結果をアップサンプリングし、現在のスケールの残差を加えて、低解像度から高解像度までの安定したステージワイズを可能にする。 さらに、フローマッチングを導入し、条件付きベクトル場として残差生成をモデル化し、効率的なオイラー/フーン解法を用いて数ステップのODEサンプリングを行い、推論を安価に保ちながら詳細を豊かにする。 UHDにおけるマルチステップ生成は数値的に不安定であるため,特徴量付きアテンション行列に条件数正規化を付与し,収束性やクロススケール整合性を向上することにより,条件付き抑制手法を提案する。 提案手法は,4K (3840$\times$2160) 以上の高解像度画像に対して有望な性能を示す。

関連論文リスト

• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Suppressing Uncertainties in Degradation Estimation for Blind Super-Resolution [31.89605287039615]
  ブラインド画像の超解像問題は、未知の劣化モードで低解像度(LR)画像から高解像度(HR)画像を復元することを目的としている。 既存のほとんどの手法は、ぼやけたカーネルを使って画像劣化過程をモデル化している。 盲目的のtextbf Super-textbfResolution フレームワークに対して,textbfUncertainty に基づく分解表現を提案する。
  論文  参考訳（メタデータ） (2024-06-24T08:58:43Z)
• Compensation Sampling for Improved Convergence in Diffusion Models [12.311434647047427]
  拡散モデルは画像生成において顕著な品質を達成するが、コストはかかる。 反復 denoising は高忠実度画像を生成するために多くの時間ステップを必要とする。 対象データの初期的不正確な再構成による復元誤差の蓄積により,復調過程が著しく制限されていることを論じる。
  論文  参考訳（メタデータ） (2023-12-11T10:39:01Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• CoDi: Conditional Diffusion Distillation for Higher-Fidelity and Faster Image Generation [49.3016007471979]
  大規模な生成拡散モデルは、テキスト・ツー・イメージ生成に革命をもたらし、条件付き生成タスクに大きな可能性を秘めている。 しかし、彼らの普及は高い計算コストによって妨げられ、リアルタイムの応用が制限される。 本稿では,事前学習した潜伏拡散モデルに付加的な画像条件入力を適応させるCoDiという新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:18Z)
• 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)

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。