論文の概要: Single-Stage Signal Attenuation Diffusion Model for Low-Light Image Enhancement and Denoising

• arxiv url: http://arxiv.org/abs/2604.05727v1
• Date: Tue, 07 Apr 2026 11:33:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.785308
• Title: Single-Stage Signal Attenuation Diffusion Model for Low-Light Image Enhancement and Denoising
• Title（参考訳）: 低照度画像強調・復調のための単段信号減衰拡散モデル
• Authors: Ying Liu, Junchao Zhang, Caiyun Wu,
• Abstract要約: 拡散モデルは、前方雑音付加と逆雑音の確率論的モデリングによる画像復元において優れる。 主ストリーム拡散に基づく低光画像強調法 (LLIE) は、U-Net出力を洗練させるために、2段パイプラインまたは補助補正ネットワークを採用する。 本稿では,信号減衰機構を拡散パイプラインに統合する新しい拡散過程である信号減衰拡散モデル(SADM)を提案する。
• 参考スコア（独自算出の注目度）: 4.397450561168298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models excel at image restoration via probabilistic modeling of forward noise addition and reverse denoising, and their ability to handle complex noise while preserving fine details makes them well-suited for Low-Light Image Enhancement (LLIE). Mainstream diffusion based LLIE methods either adopt a two-stage pipeline or an auxiliary correction network to refine U-Net outputs, which severs the intrinsic link between enhancement and denoising and leads to suboptimal performance owing to inconsistent optimization objectives. To address these issues, we propose the Signal Attenuation Diffusion Model (SADM), a novel diffusion process that integrates the signal attenuation mechanism into the diffusion pipeline, enabling simultaneous brightness adjustment and noise suppression in a single stage. Specifically, the signal attenuation coefficient simulates the inherent signal attenuation of low-light degradation in the forward noise addition process, encoding the physical priors of low-light degradation to explicitly guide reverse denoising toward the concurrent optimization of brightness recovery and noise suppression, thereby eliminating the need for extra correction modules or staged training relied on by existing methods. We validate that our design maintains consistency with Denoising Diffusion Implicit Models(DDIM) via multi-scale pyramid sampling, balancing interpretability, restoration quality, and computational efficiency.
• Abstract（参考訳）: 拡散モデルは、フォワードノイズの追加とリバースデノイングの確率論的モデリングと、詳細を保存しながら複雑なノイズを処理する能力により、低照度画像強調(LLIE)に適している。 主ストリーム拡散に基づくLLIE法は、2段階のパイプラインまたは補助的な補正ネットワークを用いてU-Net出力を洗練させる。 これらの問題に対処するために,信号減衰機構を拡散パイプラインに統合する新しい拡散過程である信号減衰拡散モデル(SADM)を提案する。 具体的には、信号減衰係数は、フォワードノイズ付加プロセスにおける低光劣化の固有の信号減衰をシミュレートし、低光劣化の物理的先行を符号化し、逆復調を光度回復と雑音抑制の同時最適化に向けて明示的にガイドし、既存の方法による追加補正モジュールやステージドトレーニングの必要性をなくす。 我々は,多スケールのピラミッドサンプリング,解釈可能性のバランス,復元品質,計算効率の両立により,DEM(Denoising Diffusion Implicit Models)との整合性を維持していることを確認した。

関連論文リスト

• 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)
• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
  低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。 近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。 拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
  論文  参考訳（メタデータ） (2024-09-27T16:37:27Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)
• Stimulating Diffusion Model for Image Denoising via Adaptive Embedding and Ensembling [56.506240377714754]
  DMID(Diffusion Model for Image Denoising)と呼ばれる新しい手法を提案する。 我々の戦略は、雑音のある画像を事前訓練された非条件拡散モデルに埋め込む適応的な埋め込み法を含む。 我々のDMID戦略は、歪みベースと知覚ベースの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-08T14:59:41Z)
• 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)
• Learning Task-Oriented Flows to Mutually Guide Feature Alignment in Synthesized and Real Video Denoising [137.5080784570804]
  Video Denoisingは、クリーンなノイズを回復するためにビデオからノイズを取り除くことを目的としている。 既存の研究によっては、近辺のフレームから追加の空間的時間的手がかりを利用することで、光学的流れがノイズ発生の助けとなることが示されている。 本稿では,様々なノイズレベルに対してより堅牢なマルチスケール光フロー誘導型ビデオデノイング法を提案する。
  論文  参考訳（メタデータ） (2022-08-25T00:09:18Z)

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。