論文の概要: Image Restoration via Diffusion Models with Dynamic Resolution

• arxiv url: http://arxiv.org/abs/2605.14267v1
• Date: Thu, 14 May 2026 02:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.577895
• Title: Image Restoration via Diffusion Models with Dynamic Resolution
• Title（参考訳）: ダイナミックレゾリューションを用いた拡散モデルによる画像復元
• Authors: Yang Zheng, Wen Li, Zhaoqiang Liu,
• Abstract要約: 本研究は, 動的分解能DMを用いて低次元部分空間にデータを投影し, 推論過程を高速化することを提案する。 DPSとDAPSは一般的な画像復元作業に広く使われている2つの画素空間法である。 提案手法では,SubDAPSの予測速度と再現精度を考慮し,改良されたSubDAPS++を導入し,再構築効率と品質を向上する。
• 参考スコア（独自算出の注目度）: 19.445391508424667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models (DMs) have exhibited remarkable efficacy in various image restoration tasks. However, existing approaches typically operate within the high-dimensional pixel space, resulting in high computational overhead. While methods based on latent DMs seek to alleviate this issue by utilizing the compressed latent space of a variational autoencoder, they require repeated encoder-decoder inference. This introduces significant additional computational burdens, often resulting in runtime performance that is even inferior to that of their pixel-space counterparts. To mitigate the computational inefficiency, this work proposes projecting data into lower-dimensional subspaces using dynamic resolution DMs to accelerate the inference process. We first fine-tune pre-trained DMs for dynamic resolution priors and adapt DPS and DAPS, which are two widely used pixel-space methods for general image restoration tasks, into the proposed framework, yielding methods we refer to as SubDPS and SubDAPS, respectively. Given the favorable inference speed and reconstruction fidelity of SubDAPS, we introduce an enhanced variant termed SubDAPS++ to further boost both reconstruction efficiency and quality. Empirical evaluations across diverse image datasets and various restoration tasks demonstrate that the proposed methods outperform recent DM-based approaches in the majority of experimental scenarios. The code is available at https://github.com/StarNextDay/SubDAPS.git.
• Abstract（参考訳）: 拡散モデル (DM) は様々な画像修復作業において顕著な効果を示した。 しかし、既存のアプローチは一般的に高次元のピクセル空間内で動作し、高い計算オーバーヘッドをもたらす。 潜時DMに基づく手法は変分オートエンコーダの圧縮潜時空間を利用してこの問題を緩和しようとするが、繰り返しエンコーダとデコーダの推論が必要となる。 これにより計算負荷が大幅に増加し、多くの場合、実行時のパフォーマンスはピクセル空間のそれよりも劣る。 計算の非効率性を軽減するために,動的解法DMを用いて低次元部分空間にデータを投影し,推論過程を高速化する手法を提案する。 画像復元作業に広く用いられている2つの画素空間法であるDPSとDAPSを,まず,動的解像度前処理のための訓練済みDMを微調整し,それぞれにSubDPSとSubDAPSと呼ぶ手法を付与する。 提案手法では,SubDAPSの予測速度と再現精度を考慮し,改良されたSubDAPS++を導入し,再構築効率と品質を向上する。 様々な画像データセットと様々な復元タスクの実証評価により、提案手法は実験シナリオの大部分において、最近のDMベースのアプローチよりも優れていることが示された。 コードはhttps://github.com/StarNextDay/SubDAPS.gitで公開されている。

関連論文リスト

• AdaDiffSR: Adaptive Region-aware Dynamic Acceleration Diffusion Model for Real-World Image Super-Resolution [14.2500092850787]
  拡散モデル(DM)は、単一画像の超解像や他の画像間翻訳タスクにおいて有望な結果を示している。 我々は、動的時間ステップサンプリング戦略(DTSS)を備えたDMsベースの超解像パイプラインであるAdaDiffSRを提案する。 実験の結果,AdaDiffSR は現在の最先端の DM ベースの SR 手法よりも高い性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T10:29:18Z)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)

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。