論文の概要: Provably Contractive and High-Quality Denoisers for Convergent Restoration

• arxiv url: http://arxiv.org/abs/2603.26168v1
• Date: Fri, 27 Mar 2026 08:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.403053
• Title: Provably Contractive and High-Quality Denoisers for Convergent Restoration
• Title（参考訳）: コンバージェント修復のための可及的・高品質デノイザ
• Authors: Shubhi Shukla, Pravin Nair,
• Abstract要約: 既存の畳み込みと注意に基づくネットワークは、入力の小さなシフトの下での安定性の保証を欠いている。 我々は、このギャップを著しく減少させる、証明可能な契約性(グロバル・リプシッツ$1$)デノイザーネットワークを開発する。 以上の結果から,厳密なリプシッツ制御は出力品質を本質的に低下させるものではないことが示唆された。
• 参考スコア（独自算出の注目度）: 4.912983462300839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image restoration, the recovery of clean images from degraded measurements, has applications in various domains like surveillance, defense, and medical imaging. Despite achieving state-of-the-art (SOTA) restoration performance, existing convolutional and attention-based networks lack stability guarantees under minor shifts in input, exposing a robustness accuracy trade-off. We develop provably contractive (global Lipschitz $< 1$) denoiser networks that considerably reduce this gap. Our design composes proximal layers obtained from unfolding techniques, with Lipschitz-controlled convolutional refinements. By contractivity, our denoiser guarantees that input perturbations of strength $\|δ\|\le\varepsilon$ induce at most $\varepsilon$ change at the output, while strong baselines such as DnCNN and Restormer can exhibit larger deviations under the same perturbations. On image denoising, the proposed model is competitive with unconstrained SOTA denoisers, reporting the tightest gap for a provably 1-Lipschitz model and establishing that such gaps are indeed achievable by contractive denoisers. Moreover, the proposed denoisers act as strong regularizers for image restoration that provably effect convergence in Plug-and-Play algorithms. Our results show that enforcing strict Lipschitz control does not inherently degrade output quality, challenging a common assumption in the literature and moving the field toward verifiable and stable vision models. Codes and pretrained models are available at https://github.com/SHUBHI1553/Contractive-Denoisers
• Abstract（参考訳）: 画像復元、劣化した測定からクリーンな画像の復元は、監視、防衛、医療画像といった様々な領域に応用されている。 最先端(SOTA)復元性能を達成するにも拘わらず、既存の畳み込みと注目に基づくネットワークは、入力の小さなシフトの下で安定性の保証を欠き、堅牢さの正確なトレードオフを露呈する。 我々は、このギャップを著しく減少させる証明可能な(グロバルリプシッツ$<1$)デノイザーネットワークを開発する。 我々の設計は、リプシッツ制御による畳み込み改良により、折り畳み技術から得られる近位層を構成する。 DnCNNやRestormerのような強いベースラインが同じ摂動の下で大きな偏差を示すのに対して、我々のデノイザは、強度の入力摂動$\|δ\|\le\varepsilon$は出力で最大$\varepsilon$変化を誘導することを保証している。 画像復調において,提案手法は制約のないSOTA復調器と競合し,証明可能な1-Lipschitzモデルの最も密接なギャップを報告し,このギャップが実際に契約型復調器によって達成可能であることを示す。 さらに,提案手法は画像復元のための強力な正規化器として機能し,Plug-and-Playアルゴリズムの収束性を実証する。 この結果から、厳密なリプシッツ制御を強制することは、出力品質を本質的に低下させるものではなく、文献における一般的な仮定に挑戦し、検証可能かつ安定した視覚モデルに向けてフィールドを移動させることが示されている。 Codes and Pretrained Models are available at https://github.com/SHUBHI1553/Contractive-Denoisers

関連論文リスト

• Perception-based Image Denoising via Generative Compression [5.85669274676101]
  Image denoisingは、構造的詳細と知覚的リアリズムを維持しながらノイズを取り除くことを目的としている。 歪み駆動法は、特に強いノイズと分布シフトの下で、過度に平滑な再構成を生成することが多い。 本稿では,認識に基づく聴覚認知のための生成的圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T04:21:26Z)
• A Simple Combination of Diffusion Models for Better Quality Trade-Offs in Image Denoising [43.44633086975204]
  本稿では,事前学習した拡散モデルを活用するための直感的な手法を提案する。 次に,提案する線形結合拡散デノイザについて紹介する。 LCDDは最先端のパフォーマンスを達成し、制御され、よく機能するトレードオフを提供する。
  論文  参考訳（メタデータ） (2025-03-18T19:02:19Z)
• Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness [56.2479170374811]
  我々はFT-CADIS(Fun Fine-Tuning with Confidence-Aware Denoized Image Selection)を紹介する。 FT-CADISは、既成の分類器の信頼性が、視覚的平滑化中の幻覚像を効果的に識別できるという観察に着想を得たものである。 様々なベンチマークにおいて、すべての$ell$-adversary半径にわたる偏微分平滑化法のうち、最先端の証明されたロバスト性を確立している。
  論文  参考訳（メタデータ） (2024-11-13T09:13:20Z)
• Transfer CLIP for Generalizable Image Denoising [11.144858989063522]
  ノイズ画像を含む高密度特徴を含む非対称エンコーダデコーダデノイズネットワークを考案する。 合成ノイズ,実世界のsRGBノイズ,低線量CT画像ノイズを含む多様なOODノイズに対する実験と比較を行った結果,本手法の優れた一般化能力が示された。
  論文  参考訳（メタデータ） (2024-03-22T11:33:04Z)
• Low-Trace Adaptation of Zero-shot Self-supervised Blind Image Denoising [23.758547513866766]
  自己教師型学習と教師型学習のギャップを埋めるために,トレース制約損失関数と低トレース適応型ノイズ2ノイズ(LoTA-N2N)モデルを提案する。 本手法は,ゼロショット自己監督型画像復調手法の領域内での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-19T02:47:33Z)
• 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)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• High Perceptual Quality Image Denoising with a Posterior Sampling CGAN [31.42883613312055]
  条件付き生成逆数ネットワーク(CGAN)を用いた画像認識の新しい手法を提案する。 私たちの目標は、許容できる歪みで高い知覚品質を達成することです。 提案手法は, 改質消音目標を達成し, 不動騒音レベルで鮮やかで多様な結果を生み出す, 斬新な消音アーキテクチャで紹介する。
  論文  参考訳（メタデータ） (2021-03-06T20:18:45Z)

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。