論文の概要: Energy-oriented Diffusion Bridge for Image Restoration with Foundational Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.10983v1
• Date: Mon, 13 Apr 2026 04:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.322964
• Title: Energy-oriented Diffusion Bridge for Image Restoration with Foundational Diffusion Models
• Title（参考訳）: 基礎拡散モデルによる画像復元のためのエネルギー指向拡散ブリッジ
• Authors: Jinhui Hou, Zhiyu Zhu, Junhui Hou,
• Abstract要約: 低コストな測地軌道の集合を近似するエネルギー指向拡散橋(E-Bridge)フレームワークを提案する。 我々は、短い時間水平線上で進化する新しいブリッジプロセスを設計し、エントロピー規則化点から逆プロセスを開始することで、これを実現する。 得られたE-Bridgeは,画像復元作業における最先端性能を達成しつつ,サンプリングステップを1回以下で高品質なリカバリを実現していることを示す。
• 参考スコア（独自算出の注目度）: 65.20192162889253
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion bridge models have shown great promise in image restoration by explicitly connecting clean and degraded image distributions. However, they often rely on complex and high-cost trajectories, which limit both sampling efficiency and final restoration quality. To address this, we propose an Energy-oriented diffusion Bridge (E-Bridge) framework to approximate a set of low-cost manifold geodesic trajectories to boost the performance of the proposed method. We achieve this by designing a novel bridge process that evolves over a shorter time horizon and makes the reverse process start from an entropy-regularized point that mixes the degraded image and Gaussian noise, which theoretically reduces the required trajectory energy. To solve this process efficiently, we draw inspiration from consistency models to learn a single-step mapping function, optimized via a continuous-time consistency objective tailored for our trajectory, so as to analytically map any state on the trajectory to the target image. Notably, the trajectory length in our framework becomes a tunable task-adaptive knob, allowing the model to adaptively balance information preservation against generative power for tasks of varying degradation, such as denoising versus super-resolution. Extensive experiments demonstrate that our E-Bridge achieves state-of-the-art performance across various image restoration tasks while enabling high-quality recovery with a single or fewer sampling steps. Our project page is https://jinnh.github.io/E-Bridge/.
• Abstract（参考訳）: 拡散ブリッジモデルは、クリーンな画像分布と劣化した画像分布を明示的に接続することで、画像復元において大きな可能性を秘めている。 しかし、それらはしばしば、サンプリング効率と最終的な修復品質の両方を制限する、複雑で高価な軌道に依存している。 そこで本稿では,エネルギー指向拡散橋(E-Bridge)フレームワークを提案し,低コストな測地軌道の集合を近似し,提案手法の性能向上を図る。 我々は、短い時間水平線上で進化し、劣化した画像とガウスノイズを混合するエントロピー規則化点から逆過程をスタートさせ、理論的に必要な軌道エネルギーを減少させることにより、これを実現できる。 この過程を効率的に解くために、我々は、軌道上の任意の状態を対象画像に解析的にマッピングするために、軌道用に調整された連続時間一貫性目標によって最適化された単一ステップマッピング関数を学習するために、一貫性モデルからインスピレーションを得る。 特に、我々のフレームワークの軌道長は調整可能なタスク適応ノブとなり、デノイングや超解像といった様々な劣化のタスクに対して、情報保存と生成力との適応的なバランスをとることができる。 大規模な実験により,E-Bridgeは画像復元作業における最先端性能を実現し,サンプリングステップを1回以下で高品質なリカバリを可能にした。 私たちのプロジェクトページはhttps://jinnh.github.io/E-Bridge/です。

関連論文リスト

• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• IRBridge: Solving Image Restoration Bridge with Pre-trained Generative Diffusion Models [43.84154970740943]
  画像復元におけるブリッジモデルは、劣化画像からクリア画像への拡散過程を構築する。 既存の手法では、特定の種類の劣化に対して、スクラッチからブリッジモデルをトレーニングする必要があります。 IRBridgeフレームワークを導入し、画像復元ブリッジ内で生成モデルの直接利用を可能にする。
  論文  参考訳（メタデータ） (2025-05-30T09:45:41Z)
• An Ordinary Differential Equation Sampler with Stochastic Start for Diffusion Bridge Models [13.00429687431982]
  拡散ブリッジモデルは、純粋なガウスノイズではなく、劣化した画像から生成過程を初期化する。 既存の拡散ブリッジモデルは、しばしば微分方程式のサンプリングに頼り、推論速度が遅くなる。 拡散ブリッジモデルの開始点を有する高次ODEサンプリング器を提案する。 本手法は, 既訓練拡散ブリッジモデルと完全に互換性があり, 追加の訓練は不要である。
  論文  参考訳（メタデータ） (2024-12-28T03:32:26Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)

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。