論文の概要: SE-UNet: Singular Equivariant Imaging for Real-World Constrained Generation

• arxiv url: http://arxiv.org/abs/2607.02628v1
• Date: Thu, 02 Jul 2026 13:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.368522
• Title: SE-UNet: Singular Equivariant Imaging for Real-World Constrained Generation
• Title（参考訳）: SE-UNet:実世界制約生成のための特異等変イメージング
• Abstract要約: SE-UNetは、広範囲の事前トレーニングなしに、不適切な画像タスクを解決するために設計されたフレームワークである。 提案手法は,PSNRにおいて,Deep Image Prior(DIP)ベースラインを4dB以上越える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While diffusion models have revolutionized image synthesis, their application to real-world inverse problems is often hampered by the need for massive datasets and the difficulty of imposing strict physical constraints. In this work, we introduce \textbf{SE-UNet} (Singular Equivariant UNet), a framework designed to solve ill-posed imaging tasks without extensive pre-training. By treating generation as an optimization problem constrained by geometric equivariance ($D_4$ group) and singular value gating, SE-UNet effectively standardizes the solution space. We demonstrate that these strong inductive biases allow for state-of-the-art zero-shot inpainting results (80\% missing pixels) on CIFAR-10. Our method surpasses Deep Image Prior (DIP) baselines by over 4 dB in PSNR and exhibits a characteristic "singular snap" convergence -- rapidly locking into the signal manifold. SE-UNet thus offers a data-efficient pathway for constrained generation, aligning with the ReALM-GEN goal of bridging theoretical priors with practical deployment.
• Abstract（参考訳）: 拡散モデルは画像合成に革命をもたらしたが、実世界の逆問題への応用は、大規模なデータセットの必要性と厳密な物理的制約を課すことの難しさによってしばしば妨げられる。 本研究では,広範囲な事前トレーニングを伴わずに画像の不正なタスクを解消するフレームワークであるtextbf{SE-UNet} (Singular Equivariant UNet) を紹介する。 生成を幾何同値(D_4$ group)と特異値ゲーティングに制約された最適化問題として扱うことで、SE-UNetは解空間を効果的に標準化する。 これらの強い帰納バイアスは、CIFAR-10上で、最先端のゼロショット塗装結果(80\%欠落画素)を可能にすることを実証する。 提案手法は,PSNRのDIPベースラインを4dB以上越え,信号多様体に高速にロックする特性の「特異スナップ」収束を示す。 これにより、SE-UNetは制約付き生成のためのデータ効率のよい経路を提供し、ReALM-GENの目標は理論上の優先順位を実践的なデプロイメントとブリッジすることにある。

関連論文リスト

• Dehaze-GaussianImage: Zero-Shot Dehazing via Efficient 2D Gaussian Splatting Representation [25.472500911155347]
  Dehaze-GaussianImageは、2次元ガウススプラッティングを画像デハージング領域に導入する最初のゼロショットフレームワークである。 具体的には,大気散乱モデルをガウスパラメータ空間に埋め込んだゼロショット学習手法を提案する。 実験により, 提案手法は, 完全に教師のない方法で, 最先端(SOTA)の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） (2026-06-15T03:25:56Z)
• Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration [36.68260793473452]
  ゼロショット画像復元は、タスク固有のトレーニングなしで多様な劣化を処理する柔軟な方法を提供する。 異種劣化を均一なオールインワン分布に明示的にモデル化する物理ゼロショット画像復元フレームワークを提案する。 本手法は, 単品と混合品のいずれにおいても, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-23T14:08:23Z)
• GSNR: Graph Smooth Null-Space Representation for Inverse Problems [24.2377690980591]
  イメージングにおける逆問題には問題があり、センサ行列の非自明なヌル空間のため、測定値と無限に一致する多くの解が導かれる。 本稿では,非可視成分にのみ構造を付加する機構であるGSNR(Graph-Smooth Null-Space Representation)を提案する。
  論文  参考訳（メタデータ） (2026-02-23T20:24:00Z)
• PDE-Constrained Optimization for Neural Image Segmentation with Physics Priors [0.0]
  顕微鏡画像の画像は、計測ノイズ、弱い物体境界、限られたラベル付きデータによる不適切な逆問題を構成する。 本研究では,PDE制約付き最適化問題としてイメージセグメンテーションを定式化し,物理的に動機付けられた事前処理を深層学習モデルに統合する。 LIVECellデータセットは、高画質で手動による位相コントラスト顕微鏡画像の収集である。
  論文  参考訳（メタデータ） (2026-02-01T07:28:14Z)
• Total Variation Subgradient Guided Image Fusion for Dual-Camera CASSI System [3.414706880536149]
  分光画像技術は、スペクトル、空間、時間分解能のバランスをとる上で、長年にわたって根本的な課題に直面してきた。 従来のモデルベースの手法は、手作りの固有の画像に頼っているため、限られた性能を示す。 本稿では,全変動(TV)下降理論を統合したデュアルカメラCASSI再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T16:57:06Z)
• Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
  本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。 本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-17T12:06:04Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Image Generation with Multimodal Priors using Denoising Diffusion Probabilistic Models [54.1843419649895]
  このタスクを達成するために生成モデルを使用する際の大きな課題は、すべてのモダリティと対応する出力を含むペアデータの欠如である。 本稿では,拡散確率的合成モデルに基づく多モデル先行画像生成手法を提案する。
  論文  参考訳（メタデータ） (2022-06-10T12:23:05Z)
• 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)
• 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)
• 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。