論文の概要: LumaGuide: Distribution Shaping for Training-Free HDR Generation in Diffusion Models

• arxiv url: http://arxiv.org/abs/2607.26237v1
• Date: Tue, 28 Jul 2026 20:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.465334
• Title: LumaGuide: Distribution Shaping for Training-Free HDR Generation in Diffusion Models
• Title（参考訳）: LumaGuide:拡散モデルにおける訓練不要HDR生成のための配電形
• Abstract要約: LumaGuideは拡散モデルにおける分散整形のためのトレーニング不要のフレームワークである。 均一なPQ空間における輝度分布を制御することにより、HDR生成のためのこのフレームワークをインスタンス化する。
• 参考スコア（独自算出の注目度）: 35.171353498067774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained diffusion models generate realistic images but are constrained by the statistical biases of their training data, limiting their ability to produce high dynamic range (HDR) content. In this work, we introduce LumaGuide, a training-free framework for distribution shaping in diffusion models. Instead of modifying model parameters, LumaGuide steers the sampling process to match target feature distributions via differentiable energy-based guidance. We instantiate this framework for HDR generation by controlling luminance distributions in perceptually uniform PQ space. Our results show that aligning luminance histograms is sufficient to induce HDR-consistent behavior, including coherent highlights and preserved shadow detail, while maintaining semantic fidelity. Beyond HDR, LumaGuide enables flexible specification of target distributions through data-driven presets, reference images, or text-driven predictors, and extends naturally to video generation with temporal consistency constraints. More broadly, our work demonstrates that controllable generation can be achieved by directly shaping output distributions at sampling time, without retraining diffusion models.
• Abstract（参考訳）: 事前制約された拡散モデルは、現実的なイメージを生成するが、トレーニングデータの統計的バイアスによって制約され、ハイダイナミックレンジ(HDR)コンテンツを生成する能力が制限される。 本研究では,拡散モデルにおける分布形成のための学習自由フレームワークであるLumaGuideを紹介する。 モデルパラメータを変更する代わりに、LumaGuideはサンプリングプロセスを使用して、異なるエネルギーベースのガイダンスを通じて、ターゲットの特徴分布にマッチする。 知覚的に均一なPQ空間における輝度分布を制御することにより、HDR生成のためのこのフレームワークをインスタンス化する。 以上の結果から,輝度ヒストグラムの配向は,連続したハイライトや保存された影の細部を含むHDR一貫性の振舞いを誘発するのに十分であることが示された。 HDR以外にも、LumaGuideはデータ駆動のプリセット、参照画像、テキスト駆動の予測子を通じて、ターゲットディストリビューションの柔軟な仕様定義を可能にし、時間的一貫性の制約のあるビデオ生成に自然に拡張する。 より広範に、本研究は、拡散モデルを再学習することなく、サンプリング時に直接出力分布を形作ることにより、制御可能な生成を実現することができることを示した。

関連論文リスト

• Revisiting Spectral Representations in Generative Diffusion Models [98.43552218868837]
  拡散モデルは多様な生成タスクにおいて顕著な性能を示した。 近年の研究では,拡散ネットワークの隠れ状態に表現アライメントを付与することで,トレーニングの収束とサンプリング品質の向上が図られている。 摂動カーネルの共有視点による自己教師付きスペクトル表現学習と拡散生成モデルの関連性について検討する。
  論文  参考訳（メタデータ） (2026-09-08T04:54:02Z)
• LatentHDR: Decoupling Exposure from Diffusion via Conditional Latent-to-Latent Mapping for Text/Image-to-Panoramic HDR [7.699676653195592]
  Latentは、潜在空間における露光モデリングからシーン生成を分離するフレームワークである。 事前訓練された拡散バックボーンは、単一のコヒーレントなシーン表現を生成し、条件付き遅延 to-latent は、それを露光特有の表現にマッピングする。
  論文  参考訳（メタデータ） (2026-05-11T18:24:04Z)
• HDR Video Generation via Latent Alignment with Logarithmic Encoding [41.63873187838369]
  適応最小限の事前学習ビデオモデルを用いて,高品質なHDRビデオ生成を実演する。 その結果,HDRは画像形成機構が根本的に異なるにもかかわらず,生成モデルを再設計することなく効果的に処理できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-13T17:55:02Z)
• Unleashing the Potential of the Semantic Latent Space in Diffusion Models for Image Dehazing [25.138589492384654]
  DiffLI$2$Dという画像デハジングのための拡散遅延インスパイアネットワークを提案する。 まず、事前学習した拡散モデルのセマンティック潜時空間が、画像の内容とヘイズ特性を表現することができることを明らかにした。 異なる時間ステップでの拡散遅延表現を繊細に設計したデハジングネットワークに統合し、画像デハジングの指示を与える。
  論文  参考訳（メタデータ） (2025-09-24T13:11:37Z)
• Generative Pre-trained Autoregressive Diffusion Transformer [74.25668109048418]
  GPDiT(GPDiT)は、自動回帰拡散変換器である。 長距離ビデオ合成における拡散と自己回帰モデリングの強みを統一する。 拡散損失を用いて将来の潜伏フレームを自動回帰予測し、運動力学の自然なモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-05-12T08:32:39Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
  拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。 本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。 提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
  論文  参考訳（メタデータ） (2023-05-24T17:09:54Z)
• Towards Controllable Diffusion Models via Reward-Guided Exploration [15.857464051475294]
  強化学習(RL)による拡散モデルの学習段階を導く新しい枠組みを提案する。 RLは、政策そのものではなく、指数スケールの報酬に比例したペイオフ分布からのサンプルによる政策勾配を計算することができる。 3次元形状と分子生成タスクの実験は、既存の条件拡散モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-14T13:51:26Z)

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。