論文の概要: ReDiffuse: Rotation Equivariant Diffusion Model for Multi-focus Image Fusion

• arxiv url: http://arxiv.org/abs/2603.21129v1
• Date: Sun, 22 Mar 2026 08:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.250373
• Title: ReDiffuse: Rotation Equivariant Diffusion Model for Multi-focus Image Fusion
• Title（参考訳）: ReDiffuse:多焦点画像融合のための回転同変拡散モデル
• Abstract要約: 不正なMFIF問題に拡散モデルを適用する上で重要な課題は、デフォーカスブラーが共通対称な幾何学構造を歪ませたり変形させたりすることができることである。 MFIFの回転同変拡散モデルであるReDiffuseを提案する。 ReDiffuseは6つの評価指標に対して0.28-6.64%の改善を達成している。
• 参考スコア（独自算出の注目度）: 14.433659465575586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have achieved impressive performance on multi-focus image fusion (MFIF). However, a key challenge in applying diffusion models to the ill-posed MFIF problem is that defocus blur can make common symmetric geometric structures (e.g., textures and edges) appear warped and deformed, often leading to unexpected artifacts in the fused images. Therefore, embedding rotation equivariance into diffusion networks is essential, as it enables the fusion results to faithfully preserve the original orientation and structural consistency of geometric patterns underlying the input images. Motivated by this, we propose ReDiffuse, a rotation-equivariant diffusion model for MFIF. Specifically, we carefully construct the basic diffusion architectures to achieve end-to-end rotation equivariance. We also provide a rigorous theoretical analysis to evaluate its intrinsic equivariance error, demonstrating the validity of embedding equivariance structures. ReDiffuse is comprehensively evaluated against various MFIF methods across four datasets (Lytro, MFFW, MFI-WHU, and Road-MF). Results demonstrate that ReDiffuse achieves competitive performance, with improvements of 0.28-6.64\% across six evaluation metrics. The code is available at https://github.com/MorvanLi/ReDiffuse.
• Abstract（参考訳）: 拡散モデルはMFIF(Multi-focus Image fusion)において顕著な性能を達成した。 しかし、不適切なMFIF問題に拡散モデルを適用する上で重要な課題は、デフォーカスブラーが共通の対称幾何学的構造(例えば、テクスチャやエッジ)を歪め変形させることができ、しばしば融合画像の予期せぬ成果をもたらすことである。 したがって、拡散ネットワークへの回転同値の埋め込みは、融合結果が入力画像の下の幾何学的パターンの本来の配向と構造的整合性を忠実に保持できるため、不可欠である。 そこで本研究では,MFIFの回転同変拡散モデルであるReDiffuseを提案する。 具体的には、エンド・ツー・エンドの回転同値を達成するため、基本拡散構造を慎重に構築する。 また、本質的等分散構造の有効性を実証し、本質的等分散誤差を評価するための厳密な理論的解析も提供する。 ReDiffuseは4つのデータセット(Lytro、MFFW、MFI-WHU、Road-MF)の様々なMFIF手法に対して総合的に評価されている。 その結果、ReDiffuseは6つの評価指標で0.28-6.64\%の改善を達成している。 コードはhttps://github.com/MorvanLi/ReDiffuse.comで入手できる。

関連論文リスト

• Reversible Efficient Diffusion for Image Fusion [66.35113261837469]
  マルチモーダル画像融合は、様々なソース画像からの補完情報を統一表現に統合することを目的としている。 拡散モデルは画像生成において顕著な生成能力を示してきたが、画像融合タスクに適用した場合、しばしば細かな損失に悩まされる。 この問題はマルコフ過程に固有のノイズ誤差の蓄積から発生し、融合した結果の不整合と劣化をもたらす。 本稿では,分散推定を回避しつつ,拡散モデルの強力な生成能力を継承する,明示的な教師付きトレーニングフレームワークであるReversible Efficient Diffusion(RED)モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-28T05:14:55Z)
• R-Meshfusion: Reinforcement Learning Powered Sparse-View Mesh Reconstruction with Diffusion Priors [6.102039677329314]
  マルチビュー画像からのメッシュ再構成はスパースビュー条件下で著しく劣化する。 拡散モデルの最近の進歩は、限られた入力から新しいビューを合成する強力な能力を示している。 本稿では,拡散モデルを利用して,スパースビューメッシュ再構成を原理的かつ信頼性の高い方法で向上する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-16T10:23:59Z)
• 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)
• Adaptive Multi-modal Fusion of Spatially Variant Kernel Refinement with Diffusion Model for Blind Image Super-Resolution [23.34647832483913]
  我々は,Blind Image textbfSuper-textbfResolutionのための拡散モデルを用いた適応多モード固定法(Adaptive Multi-modal Fusion of textbfSpatially Variant Kernel Refinement with Diffusion Model)を提案する。 また,アダプティブ・マルチモーダル・フュージョン (AMF) モジュールを導入し,低解像度画像,深度マップ,ぼかしカーネルといった3つのモードからの情報を整列させる。
  論文  参考訳（メタデータ） (2024-03-09T06:01:25Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• 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)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• MFIF-GAN: A New Generative Adversarial Network for Multi-Focus Image Fusion [29.405149234582623]
  マルチフォーカス画像融合(MFIF)は、オールインフォーカス画像を得るための有望な技術である。 MFIFの研究動向の1つは、フォーカス/デフォーカス境界(FDB)周辺のデフォーカス拡散効果(DSE)を回避することである。 我々は,MFIF-GANと呼ばれるネットワークを用いて,前景領域が対応する対象よりも正確に大きいフォーカスマップを生成する。
  論文  参考訳（メタデータ） (2020-09-21T09:36:34Z)

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。