論文の概要: SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending

• arxiv url: http://arxiv.org/abs/2606.28677v1
• Date: Sat, 27 Jun 2026 01:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.640377
• Title: SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending
• Title（参考訳）: SATB-VR:SNR対応軌道ブレンドを用いた高速ビデオ再生拡散モデルの訓練
• Authors: Haoran Bai, Xiaoxu Chen, Xiaoyu Liu, Zongsheng Yue, Sibin Deng, Wangmeng Zuo, Ying Chen,
• Abstract要約: 本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
• 参考スコア（独自算出の注目度）: 55.764018145256216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While diffusion models excel in video restoration, their reliance on extensive iterative steps limits efficiency. Conversely, aggressive single-step distillation often compromises fine texture recovery. To achieve an optimal balance, we present SATB-VR, a few-step paradigm that jump-starts the denoising process via an auxiliary predictor, explicitly bypassing early low signal-to-noise ratio (SNR) steps. However, naive joint training of the predictor and the denoiser inherently introduces a severe train-inference discrepancy. To resolve this, we propose the SNR-Aware Trajectory Blending (SATB) strategy. During the forward process, SATB constructs the noisy input by dynamically blending the predictor's output with the ground-truth trajectory based on the SNRs. This forces the denoiser to robustly compensate for initial prediction errors while smoothly converging to the clean data manifold. Furthermore, we introduce a Denoiser-Driven Consistency (DDC) loss, leveraging the concurrently updated denoiser as a dynamic evaluator to explicitly align internal features and boost predictor accuracy. Extensive experiments demonstrate that, under flexible few-step inference regimes (\eg, $\le 5$ steps), SATB-VR performs favorably against existing approaches on synthetic, real-world, and AIGC benchmarks.
• Abstract（参考訳）: 拡散モデルはビデオ再生において優れているが、広範囲な反復的なステップへの依存は効率を制限している。 逆に、攻撃的な単一段階蒸留は、しばしば微細なテクスチャ回復を損なう。 最適バランスを達成するために、補助予測器を介して復調過程を飛躍的に開始し、初期低信号対雑音比(SNR)を明示的にバイパスする数段階のパラダイムであるSATB-VRを提案する。 しかし, 予測器とデノイザの有意な共同訓練は, 本質的に重度の列車干渉の相違を生じさせる。 そこで我々は,SNR-Aware Trajectory Blending (SATB) 戦略を提案する。 フォワードプロセスの間、SATBはSNRに基づいて予測子の出力と接地軌道を動的にブレンドすることでノイズ入力を構築する。 これにより、デノイザはクリーンなデータ多様体に滑らかに収束しながら、初期予測エラーを堅牢に補償する。 さらに,Denoiser-Driven Consistency (DDC)損失を導入し,同時に更新されたDenoiserを動的評価器として利用することにより,内部機能を明示的に調整し,予測精度を向上させる。 大規模な実験では、フレキシブルな数ステップの推論レジーム(\eg, $\le 5$ steps)の下で、SATB-VRは、合成、実世界、AIGCベンチマークに関する既存のアプローチに対して好意的に機能することを示した。

関連論文リスト

• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
  最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。 実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。 IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-27T07:43:00Z)
• Bias-Constrained Diffusion Schedules for PDE Emulations: Reconstruction Error Minimization and Efficient Unrolled Training [32.42657582329756]
  条件拡散モデルは複雑な力学をエミュレートするための強力な代理である。 彼らはしばしば、高精度なタスクのために神経エミュレータの精度に合わない。 自己回帰的PDE拡散モデルの2つの重要な限界に対処する。
  論文  参考訳（メタデータ） (2026-04-09T15:21:31Z)
• Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining [4.511561231517167]
  拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。 本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。 ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-11T22:22:32Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
  拡散モデルに基づく超解像(SR)法は有望な結果を示す。 しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。 本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T16:21:29Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。