論文の概要: Image Inpainting via Stochastic Dynamics

• arxiv url: http://arxiv.org/abs/2607.24140v1
• Date: Mon, 27 Jul 2026 08:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.36165
• Title: Image Inpainting via Stochastic Dynamics
• Title（参考訳）: 確率的ダイナミクスによるイメージインペインティング
• Abstract要約: データ誘導力学に基づくネットワークトレーニングのない非パラメトリック手法を提案する。 提案手法は,PSNR,SSIM,視覚的品質において,平均フィル,テレア,ナビエ・ストークスよりも優れていた。 これらの結果から, 画像塗布の非パラメトリック前処理として, 経験的基準統計値の有効性が示された。
• 参考スコア（独自算出の注目度）: 3.1988753364712115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image inpainting aims to recover missing regions while preserving structural consistency. We propose a non-parametric method without network training based on data-guided stochastic dynamics. Starting from a masked image, the missing pixels are evolved through a reverse-time stochastic differential equation with a kernel-weighted correction estimated directly from a reference dataset. This empirical correction guides the reconstruction toward high-density regions of the data distribution without training a neural network or fitting a parametric density model. Experiments on MNIST, Fashion-MNIST, and MVTec show that the proposed method outperforms Mean Fill, Telea, and Navier-Stokes inpainting in PSNR, SSIM, and visual quality. On CelebA, it remains competitive and produces plausible completions for structure-sensitive occlusions. These results demonstrate the effectiveness of empirical reference statistics as a non-parametric prior for image inpainting.
• Abstract（参考訳）: Image Inpaintingは、構造的な一貫性を維持しながら、欠落した領域を回復することを目的としている。 データ誘導確率力学に基づくネットワークトレーニングのない非パラメトリック手法を提案する。 マスクされた画像から始めると、不足画素は参照データセットから直接推定されるカーネル重み補正を伴う逆時間確率微分方程式によって進化する。 この経験的補正は、ニューラルネットワークを訓練したりパラメトリック密度モデルに適合させることなく、データ分布の高密度領域への再構成を導く。 MNIST, Fashion-MNIST, MVTecによる実験により, 提案手法はPSNR, SSIM, 視覚品質において平均フィル, テレア, ナビエストークスよりも優れていた。 CelebAでは、競争力を維持し、構造に敏感なオクルージョンに対する可塑性な完成物を生成する。 これらの結果から, 画像塗布の非パラメトリック前処理として, 経験的基準統計値の有効性が示された。

関連論文リスト

• Trustworthy MRI Reconstruction via Bayesian Uncertainty Quantification with Sparsity Prior Models [5.452868777437004]
  本稿では, 圧縮センシング磁気共鳴画像データから, 共同画像再構成と不確実性定量化のための新しい枠組みを提案する。 この問題は線形逆問題として定式化され、事前分布は未知の画像パラメータに割り当てられる。 本研究では,画像空間勾配に基づく総変分変換とウェーブレット領域変換を用いて,任意のスペーシング変換に適用可能な汎用フレームワークを開発し,その性能を実証する。
  論文  参考訳（メタデータ） (2026-06-15T22:44:38Z)
• Bayesian Uncertainty-Aware MRI Reconstruction [5.452868777437004]
  アンダーサンプリングk空間計測を用いた関節磁気共鳴画像再構成のための新しい枠組みを提案する。 提案手法は, 再構成画像から得られた誤差マップと強い相関関係を示すとともに, 不確かさを効果的に定量化する。
  論文  参考訳（メタデータ） (2026-03-13T11:14:53Z)
• 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)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
  Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。 我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。 我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
  論文  参考訳（メタデータ） (2023-09-18T09:36:24Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• 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)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Transformer Guided Geometry Model for Flow-Based Unsupervised Visual Odometry [38.20137500372927]
  対画像からの情報を扱う2つのカメラポーズ推定器からなる手法を提案する。 画像シーケンスでは、Transformerライクな構造を採用して、局所的な時間ウィンドウ上にジオメトリモデルを構築する。 対向画像間の関係を利用するために,f2fpe(flow-to-flow pose estimator)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:39:26Z)

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。