論文の概要: DA-Flow: Degradation-Aware Optical Flow Estimation with Diffusion Models
- arxiv url: http://arxiv.org/abs/2603.23499v1
- Date: Tue, 24 Mar 2026 17:59:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.633589
- Title: DA-Flow: Degradation-Aware Optical Flow Estimation with Diffusion Models
- Title（参考訳）: DA流:拡散モデルによる劣化を考慮した光フロー推定
- Authors: Jaewon Min, Jaeeun Lee, Yeji Choi, Paul Hyunbin Cho, Jin Hyeon Kim, Tae-Young Lee, Jongsik Ahn, Hwayeong Lee, Seonghyun Park, Seungryong Kim,
- Abstract要約: De-Aware Optical Flowは、現実世界の破損したビデオから正確な高密度対応を推定するための新しいタスクである。
我々の重要な洞察は、画像復元拡散モデルの中間は本質的に腐敗に気づいているが、時間的認識が欠如していることである。
本稿では,これらの拡散特徴と畳み込み特徴を融合したハイブリッドアーキテクチャであるDA-Flowについて述べる。
- 参考スコア（独自算出の注目度）: 32.839049490986554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical flow models trained on high-quality data often degrade severely when confronted with real-world corruptions such as blur, noise, and compression artifacts. To overcome this limitation, we formulate Degradation-Aware Optical Flow, a new task targeting accurate dense correspondence estimation from real-world corrupted videos. Our key insight is that the intermediate representations of image restoration diffusion models are inherently corruption-aware but lack temporal awareness. To address this limitation, we lift the model to attend across adjacent frames via full spatio-temporal attention, and empirically demonstrate that the resulting features exhibit zero-shot correspondence capabilities. Based on this finding, we present DA-Flow, a hybrid architecture that fuses these diffusion features with convolutional features within an iterative refinement framework. DA-Flow substantially outperforms existing optical flow methods under severe degradation across multiple benchmarks.
- Abstract（参考訳）: 高品質なデータに基づいてトレーニングされた光フローモデルは、ブラー、ノイズ、圧縮アーティファクトといった現実世界の汚職に直面した時に、しばしば著しく劣化する。
この制限を克服するために、現実の腐敗したビデオから正確な密接な対応を推定する新しいタスクである、劣化認識光学フローを定式化する。
我々の重要な洞察は、画像復元拡散モデルの中間表現は本質的に汚職に気づいているが、時間的認識が欠けていることである。
この制限に対処するために、我々は、全時空間的注意を通して、隣接するフレームを横断するモデルを持ち上げ、結果として得られる特徴がゼロショット対応能力を示すことを実証的に示す。
そこで本研究では,これらの拡散機能を,反復的洗練フレームワーク内の畳み込み機能と融合させるハイブリッドアーキテクチャであるDA-Flowを提案する。
DA-Flowは、複数のベンチマークで大幅に劣化した既存の光学フロー法よりも大幅に優れている。
関連論文リスト
- Fast, faithful and photorealistic diffusion-based image super-resolution with enhanced Flow Map models [8.773008452897791]
FlowMapSRは、効率的な推論のために明示的に設計された画像超解像のための新しい拡散ベースのフレームワークである。
FlowMapSRは、最近のx4およびx8アップスケーリングの最先端手法よりも、再構築忠実度とフォトリアリズムのバランスが良いことを示す。
論文 参考訳（メタデータ） (2026-01-23T11:25:04Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳（メタデータ） (2025-03-09T09:39:57Z) - OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。
我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
論文 参考訳（メタデータ） (2024-03-26T20:23:48Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - The Surprising Effectiveness of Diffusion Models for Optical Flow and
Monocular Depth Estimation [42.48819460873482]
拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。
また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
論文 参考訳（メタデータ） (2023-06-02T21:26:20Z) - 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。