論文の概要: SCoRe: Clean Image Generation from Diffusion Models Trained on Noisy Images

• arxiv url: http://arxiv.org/abs/2604.09436v1
• Date: Fri, 10 Apr 2026 15:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.944832
• Title: SCoRe: Clean Image Generation from Diffusion Models Trained on Noisy Images
• Title（参考訳）: SCoRe:ノイズ画像でトレーニングされた拡散モデルからクリーンな画像生成
• Authors: Yuta Matsuzaki, Seiichi Uchida, Shumpei Takezaki,
• Abstract要約: ノイズの多いデータセットでトレーニングされた拡散モデルは、高周波トレーニングアーティファクトを再現し、生成品質を著しく低下させる。 本研究では,ノイズ画像に基づいて学習した拡散モデルからクリーンな画像を生成するための,学習不要なスペクトル再生手法であるSCoReを提案する。
• 参考スコア（独自算出の注目度）: 6.735480539143566
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion models trained on noisy datasets often reproduce high-frequency training artifacts, significantly degrading generation quality. To address this, we propose SCoRe (Spectral Cutoff Regeneration), a training-free, generation-time spectral regeneration method for clean image generation from diffusion models trained on noisy images. Leveraging the spectral bias of diffusion models, which infer high-frequency details from low-frequency cues, SCoRe suppresses corrupted high-frequency components of a generated image via a frequency cutoff and regenerates them via SDEdit. Crucially, we derive a theoretical mapping between the cutoff frequency and the SDEdit initialization timestep based on Radially Averaged Power Spectral Density (RAPSD), which prevents excessive noise injection during regeneration. Experiments on synthetic (CIFAR-10) and real-world (SIDD) noisy datasets demonstrate that SCoRe substantially outperforms post-processing and noise-robust baselines, restoring samples closer to clean image distributions without any retraining or fine-tuning.
• Abstract（参考訳）: ノイズの多いデータセットでトレーニングされた拡散モデルは、しばしば高周波トレーニングアーティファクトを再現し、生成品質を著しく低下させる。 そこで本稿では,ノイズ画像に基づいてトレーニングした拡散モデルからクリーンな画像を生成するための,トレーニング不要なスペクトル再生手法であるSCoReを提案する。 低周波キューから高周波の詳細を推測する拡散モデルのスペクトルバイアスを利用して、SCoReは周波数カットオフにより生成された画像の劣化した高周波成分を抑圧し、SDEditを介して再生する。 また,Radarly Averaged Power Spectral Density (RAPSD)に基づいて,カットオフ周波数とSDEdit初期化時刻の理論的マッピングを導出した。 合成(CIFAR-10)と実世界のノイズデータセット(SIDD)の実験では、SCoReは後処理やノイズロストベースラインを大幅に上回っており、トレーニングや微調整をすることなく、クリーンな画像分布に近いサンプルを復元している。

関連論文リスト

• HDW-SR: High-Frequency Guided Diffusion Model based on Wavelet Decomposition for Image Super-Resolution [4.388490927225987]
  ウェーブレット分解(HDW-SR)に基づく高周波誘導拡散ネットワークを提案する。 我々は残差マップのみに拡散を行い、ネットワークがより効率的に高周波情報復元に集中できるようにする。 合成データセットと実世界のデータセットの両方の実験は、HDW-SRが競合する超解像性能を達成することを示した。
  論文  参考訳（メタデータ） (2025-11-17T09:25:26Z)
• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。 DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
  論文  参考訳（メタデータ） (2025-03-10T17:44:46Z)
• Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise [34.65659277870287]
  微分拡散モデルの研究は、画像復元の分野への応用を拡大した。 本稿では,残余項を拡散前進過程に組み込むフレームワークであるResfusionを提案する。 Resfusionは, ISTDデータセット, LOLデータセット, Raindropデータセットに対して, わずか5つのサンプリングステップで競合性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-11-25T02:09:38Z)
• 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)
• VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation [88.49030739715701]
  本研究は, フレームごとのノイズを, 全フレーム間で共有されるベースノイズ, 時間軸に沿って変化する残雑音に分解することで, 拡散過程を分解する。 様々なデータセットの実験により,ビデオフュージョンと呼ばれる我々の手法が,高品質なビデオ生成において,GANベースと拡散ベースの両方の選択肢を上回ることが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:16:39Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
  劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-17T17:56:22Z)

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。