論文の概要: Diffusion-OAMP for Joint Image Compression and Wireless Transmission

• arxiv url: http://arxiv.org/abs/2604.27952v1
• Date: Thu, 30 Apr 2026 14:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.146644
• Title: Diffusion-OAMP for Joint Image Compression and Wireless Transmission
• Title（参考訳）: 共同画像圧縮と無線伝送のための拡散OAMP
• Authors: Wentao Hou, Yimin Bai, Zelei Luo, Jiadong Hong, Lei Liu,
• Abstract要約: Diffusion-OAMPはトレーニング不要の再構成フレームワークで、事前学習した拡散モデルをOAMPアルゴリズムに組み込む。 異なる圧縮比と雑音レベルの実験により、Diffusion-OAMPは評価された設定において古典的手法に対して好適に機能することが示された。
• 参考スコア（独自算出の注目度）: 3.874976819230255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint image compression and wireless transmission remain relatively underexplored compared to generic image restoration, despite its importance in practical communication systems. We formulate this problem under an equivalent linear model, and propose Diffusion-OAMP, a training-free reconstruction framework that embeds a pre-trained diffusion model into the OAMP algorithm. In Diffusion-OAMP, the OAMP linear estimator produces pseudo-AWGN observations, while the diffusion model serves as a nonlinear estimator under an SNR-matching rule. This framework offers a way to incorporate multiple generative priors into OAMP. Experiments with varying compression ratios and noise levels show that Diffusion-OAMP performs favorably against classic methods in the evaluated settings.
• Abstract（参考訳）: 共同画像圧縮と無線伝送は、実際的な通信システムにおいて重要であるにもかかわらず、一般的な画像復元に比べ、比較的過小評価されている。 我々は,この問題を等価線形モデルで定式化し,事前学習した拡散モデルをOAMPアルゴリズムに組み込む訓練不要の再構成フレームワークであるDiffusion-OAMPを提案する。 Diffusion-OAMPでは、OAMP線形推定器は擬似AWGN観測を、拡散モデルはSNRマッチング規則の下で非線形推定器として機能する。 このフレームワークは、複数の生成前駆体をOAMPに組み込む方法を提供する。 異なる圧縮比と雑音レベルの実験により、Diffusion-OAMPは評価された設定において古典的な手法に対して好適に機能することが示された。

関連論文リスト

• Diffusion-Driven Semantic Communication for Generative Models with Bandwidth Constraints [66.63250537475973]
  本稿では,帯域制限付き生成モデルのための,高度なVAEベースの圧縮を用いた拡散駆動型セマンティック通信フレームワークを提案する。 実験の結果,ピーク信号対雑音比 (PSNR) などの画素レベルの指標と,LPIPS (Learning Perceptual Image patch similarity) のような意味的指標が大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-26T02:34:25Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Diffusion Posterior Sampling for Informed Single-Channel Dereverberation [15.16865739526702]
  拡散モデルを用いた条件生成に基づく情報単一チャネルのデバーベレーション手法を提案する。 室内インパルス応答の知識により、逆拡散により無響発話が生成される。 提案手法は, 計測ノイズに対して, 最先端のインフォメーション・シングルチャネル・デバベーション法に比べ, かなり頑健である。
  論文  参考訳（メタデータ） (2023-06-21T14:14:05Z)
• Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
  本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。 拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。 提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
  論文  参考訳（メタデータ） (2022-11-20T01:09:49Z)

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。