論文の概要: Timestep Rescheduling in Diffusion Inversion

• arxiv url: http://arxiv.org/abs/2606.15389v1
• Date: Sat, 13 Jun 2026 16:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.544721
• Title: Timestep Rescheduling in Diffusion Inversion
• Title（参考訳）: 拡散インバージョンにおける時間ステップ再スケジューリング
• Authors: Shangquan Sun, Ting Gong, Zhirui Liu, Jiamin Wu, Runkai Zhao, Mianxin Liu, Wenqi Ren, Xiaochun Cao,
• Abstract要約: ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを示す。 本稿では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合した,シンプルで効果的な非一様タイムスケジューラを提案する。 本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。
• 参考スコア（独自算出の注目度）: 79.30105376216544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion inversion, which maps images back to the Gaussian latent space of a diffusion model, is a critical task for image reconstruction and editing. While DDIM enables fast deterministic inversion, it inherently introduces deviations that accumulate into noticeable inversion errors. Existing methods often address this by solving a fixed-point problem but largely overlook how the selection of the diffusion timestep in the noise scheduler influences inversion fidelity. In this work, we reveal that the deviation scale in diffusion inversion is strongly dependent on the timestep size, and exhibits a parabolic trend, with larger errors concentrated at both small and large timesteps. Based on this finding, we propose a simple yet effective nonuniform timestep scheduler that integrates a global rescaling with a local dynamic programming based rescheduling, enabling a strategic allocation of computational effort that minimizes the overall inversion error and preserves higher inversion accuracy. Our method serves as an off-the-shelf enhancement for existing inversion techniques and requires no extra parameters or computational overhead. Through extensive experiments, we verify that integrating our scheduler consistently boosts the performance of existing inversion methods, achieving superior results in image reconstruction and editing.
• Abstract（参考訳）: 拡散モデルのガウス潜在空間に画像をマッピングする拡散インバージョンは、画像再構成と編集にとって重要なタスクである。 DDIMは高速な決定論的逆転を可能にするが、本質的には顕著な逆転誤差に蓄積する偏差を導入している。 既存の手法では固定点問題を解くことでこの問題に対処することが多いが、ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを概ね見落としている。 本研究では,拡散反転の偏差スケールが時間ステップサイズに強く依存していることを明らかにする。 そこで本研究では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合し,全体の逆転誤差を最小限に抑え,高い逆転精度を保ちながら,計算作業の戦略的割り当てを可能にする,シンプルで効果的な非一様時間経過スケジューラを提案する。 本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。 広範にわたる実験により,スケジューラの統合が既存のインバージョン手法の性能を継続的に向上させ,画像再構成や編集において優れた結果が得られることを検証した。

関連論文リスト

• Latent Bias Alignment for High-Fidelity Diffusion Inversion in Real-World Image Reconstruction and Manipulation [25.312675775144154]
  テキスト間の拡散モデルは、テキストプロンプトによって導かれる高品質な画像を生成することができる。 シードノイズから実世界の画像を生成または近似するために使用できるか? 拡散反転問題は、ブリッジング拡散モデルと実世界のシナリオのためのビルディングブロックとして機能する。
  論文  参考訳（メタデータ） (2026-03-25T03:44:21Z)
• DeepInv: A Novel Self-supervised Learning Approach for Fast and Accurate Diffusion Inversion [65.5172878666262]
  拡散インバージョンは、実行可能な監視信号が欠如しているため、難しい課題である。 本稿では,Deep Inversion(DeepInv)と呼ばれる自己教師付き拡散インバージョン手法を提案する。 DeepInvはまた、パラメータ化インバージョンソルバをトレーニングするための反復的かつマルチスケールのトレーニングシステムも備えている。
  論文  参考訳（メタデータ） (2026-01-04T11:27:26Z)
• An Iteration-Free Fixed-Point Estimator for Diffusion Inversion [26.669535386141778]
  拡散インバージョンのためのイテレーションフリーな不動点推定器を提案する。 本研究では,2つのテキスト画像データセットであるNOCAPSとMS-COCOの再構成性能を評価する。
  論文  参考訳（メタデータ） (2025-12-09T12:44:51Z)
• POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models [9.779983925649857]
  Inversion-Denoising Paradigmは拡散モデルに基づく多彩な画像編集と復元作業に優れる。 我々は、その機構を再検討し、復元劣化の重大な要因である、近似ノイズ誤差を明らかにする。 本稿では, 誤差補償問題から誤り補償問題への逆変換を再構成する, ロバスト・アダプティブ・インバージョンのための射影直交最小広場(POLARIS)について紹介する。
  論文  参考訳（メタデータ） (2025-11-29T07:35:20Z)
• Sparse Model Inversion: Efficient Inversion of Vision Transformers for Data-Free Applications [99.72917069918485]
  既存の高密度インバージョン手法を高速化する新しいスパースモデルインバージョン戦略を提案する。 具体的には,雑音背景の逆転や潜在的な刺激的相関を抑えつつ,意味的前景を反転させる。
  論文  参考訳（メタデータ） (2025-10-31T05:14:36Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
  本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。 我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-03-21T17:52:08Z)
• Effective Real Image Editing with Accelerated Iterative Diffusion Inversion [6.335245465042035]
  現代の生成モデルで自然画像を編集し、操作することは依然として困難である。 逆安定性の問題に対処した既存のアプローチは、しばしば計算効率において大きなトレードオフをもたらす。 本稿では,空間および時間的複雑さの最小限のオーバーヘッドで再構成精度を大幅に向上させる,AIDIと呼ばれる高速化反復拡散インバージョン法を提案する。
  論文  参考訳（メタデータ） (2023-09-10T01:23:05Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)

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。