論文の概要: Stop Denoising Your Blurs

• arxiv url: http://arxiv.org/abs/2605.25014v1
• Date: Sun, 24 May 2026 11:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.655975
• Title: Stop Denoising Your Blurs
• Title（参考訳）: ブラーを嫌がるな
• Abstract要約: 本稿では,新たな拡散に基づくフレームワークであるConvDiffを紹介する。 我々は、畳み込みの周波数領域特性を利用して、クリーンな画像からぼやけた画像への有意義な軌道を構築する。
• 参考スコア（独自算出の注目度）: 1.3293097435129113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent times, diffusion models have achieved remarkable performance in image restoration tasks. Their core mechanism relies on the restricted presumption of degradation prior to the additive noise operation. However, the blur model, one of the most widely studied degradation formulations, violates this assumption, as it is inherently based on convolution rather than addition. In this paper, we introduce ConvDiff, a novel diffusion based framework that substitutes the additive operation with convolution for the task of image deblurring. In the forward process, we construct a meaningful trajectory from the clean image to its blurred counterpart by exploiting the frequency domain characteristics of convolution, rather than progressively corrupting the image with additive noise. While the current work instantiates this framework for Gaussian blur, where frequency-domain decomposition yields closed-form and physically valid intermediate states, the underlying principle of constructing degradation trajectories from the blur operator extends naturally to other blur families. This formulation bridges the gap between the mathematical principles of blurring and the iterative design of diffusion-based restoration algorithms, enabling more physically grounded and effective image restoration models.
• Abstract（参考訳）: 近年,画像復元作業における拡散モデルの性能は著しく向上している。 その中核となるメカニズムは、付加的なノイズ操作に先立って、劣化の制限された推定に依存する。 しかし、最も広く研究されている劣化定式化の1つであるブラーモデルは、本質的には加法ではなく畳み込みに基づいているため、この仮定に反する。 本稿では,新たな拡散に基づくフレームワークであるConvDiffを紹介する。 提案手法では, 畳み込みの周波数領域特性を利用して, 鮮明な画像からぼやけた画像への有意義な軌跡を構築する。 現在の研究は、周波数領域の分解が閉形式および物理的に有効な中間状態を生成するガウス的ブラーの枠組みをインスタンス化するが、ブラー作用素から分解軌道を構築する基本的な原理は、自然に他のブラー族に拡張される。 この定式化は、ぼかしの数学的原理と拡散に基づく復元アルゴリズムの反復設計のギャップを埋め、より物理的に基底と効果的な画像復元モデルを可能にする。

関連論文リスト

• HNDiff: Haze-Noise Diffusion for Image Dehazing [52.34718859688771]
  Haze-Noise Diffusion (HNDiff)は、大気散乱モデルを誘導バイアスとして埋め込む新しい拡散フレームワークである。 その前処理では、画像にヘイズとノイズを段階的に付加する、ヘイズを意識したノイズスケジューラを用いたジョイントヘイズ拡散を導入する。 逆のプロセスでは、ヘイズとノイズを同時に除去してクリーンなイメージを復元する物理的に一貫した脱ヘイズ除去プロセスが導出される。
  論文  参考訳（メタデータ） (2026-08-11T14:47:38Z)
• Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
  遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。 本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。 Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
  論文  参考訳（メタデータ） (2026-02-11T22:09:58Z)
• DeltaDiff: Reality-Driven Diffusion with AnchorResiduals for Faithful SR [10.790771977682763]
  拡散過程を制約する新しいフレーム・ワークであるDeltaDiffを提案する。 提案手法は最先端のモデルを超え,忠実度を向上した再侮辱を生成する。 この研究は、画像再構成タスクに拡散モデルを適用するための、新しい低ランク制約パラパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-02-18T06:07:14Z)
• CorrFill: Enhancing Faithfulness in Reference-based Inpainting with Correspondence Guidance in Diffusion Models [21.798183378799667]
  基準画像と対象画像との幾何的相関の認識を高めるために設計されたトレーニングフリーモジュールであるCorrFillを提案する。 実験の結果,CorrFillは複数のベースライン拡散法の性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-01-04T18:31:01Z)
• RDEIC: Accelerating Diffusion-Based Extreme Image Compression with Relay Residual Diffusion [29.277211609920155]
  Relay Residual Diffusion Extreme Image Compression (RDEIC)を提案する。 まず, 純雑音ではなく, 付加雑音を付加した画像の圧縮潜時特徴を出発点として, 復調過程の不要な初期段階を除去する。 RDEICは、最先端の視覚的品質を実現し、既存の拡散に基づく極端画像圧縮手法よりも忠実さと効率性が優れている。
  論文  参考訳（メタデータ） (2024-10-03T16:24:20Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• 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)
• 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)
• 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)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。