論文の概要: Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration
- arxiv url: http://arxiv.org/abs/2608.06981v1
- Date: Fri, 07 Aug 2026 09:00:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.424782
- Title: Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration
- Title（参考訳）: プラグ・アンド・プレイ・ディフューシブ画像修復のための局所的不確実性誘導能動サンプリング
- Abstract要約: 局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。
空間領域における細部保存とアーティファクトの抑制のバランスをとる。
メモリオーバーヘッドを無視してサンプリング時間を短縮する。
- 参考スコア（独自算出の注目度）: 15.371827475537776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have demonstrated remarkable effectiveness in image restoration tasks. However, when guiding image reconstruction, existing Diffusion Model-based Image Restoration (DMIR) methods typically rely on fixed data constraints and uniform step sizes, thereby overlooking the dynamic nature of the generative process. Such rigid designs render the models vulnerable to spatially non-uniform degradations, thus resulting in structural distortions and loss of fine details. Meanwhile, uniform step sizes introduce computational redundancy, whereas naïve step reduction strategies tend to accumulate approximation errors. To address these limitations, we propose a Local Epistemic Uncertainty Guided Active Sampling framework (LEADer). In the spatial domain, LEADer leverages pixel-wise uncertainty to dynamically modulate the prior strength within the null space, which effectively balances detail preservation and artifact suppression. In the temporal domain, it quantifies sampling stability via the uncertainty trace to enable adaptive trajectory pruning, thereby accelerating convergence. Theoretical proofs demonstrate that our framework achieves strict data consistency, while the trajectory pruning strategy admits a deterministic error bound, thereby guaranteeing stable convergence under skip sampling. Notably, our plug-and-play method can be seamlessly integrated into various DMIR baselines. Extensive experiments show that LEADer improves the performance of multiple state-of-the-art DMIR methods, while significantly reducing sampling time with negligible memory overhead. Code is available at https://github.com/JiaqiZhang-Sengoku/LEADer.
- Abstract（参考訳）: 拡散モデルは画像復元作業において顕著な効果を示した。
しかし、画像再構成を導く際には、既存の拡散モデルに基づく画像復元法(DMIR)は、通常、固定データ制約と一様ステップサイズに依存し、生成過程の動的な性質を見越す。
このような厳密な設計は、モデルが空間的に一様でない劣化に弱い結果となり、構造的な歪みと細部が失われる。
一方、一様ステップサイズは計算冗長性を導入し、ネーブステップ削減戦略は近似誤差を蓄積する傾向にある。
これらの制約に対処するため、我々は局所的不確実性ガイドアクティブサンプリングフレームワーク(LEADer)を提案する。
空間領域では、LEADerはピクセルワイドの不確実性を利用して、ヌル空間内の前の強度を動的に変調し、詳細保存とアーティファクトの抑制を効果的にバランスさせる。
時間領域では、不確実性トレースを介してサンプリング安定性を定量化し、適応的な軌道プルーニングを可能にし、収束を加速する。
理論的には,本フレームワークは厳密なデータ一貫性を実現するのに対し,トラジェクトリプルーニング戦略は決定論的誤差境界を認め,スキップサンプリング時の安定収束を保証する。
特に、このプラグイン・アンド・プレイ方式は様々なDMIRベースラインにシームレスに統合できる。
大規模な実験により、LEADerは複数の最先端DMIR法の性能を向上させるとともに、無視可能なメモリオーバーヘッドによるサンプリング時間を著しく短縮することを示した。
コードはhttps://github.com/JiaqiZhang-Sengoku/LEADer.comから入手できる。
関連論文リスト
- AstraMoE-SR: Trajectory-Guided Diffusion for Blind Satellite Jitter Deblurring and Super-Resolution [0.9940728137241215]
プッシュブルーム衛星画像は、プラットフォーム姿勢不安定性に制限された空間分解能を兼ね備えている。
AstraMoE-SRは、補助的な測定をすることなく、動きのぼやけと空間分解能を共同で復元する単一画像フレームワークである。
論文 参考訳（メタデータ） (2026-09-07T04:06:35Z) - Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。
本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
論文 参考訳（メタデータ） (2026-06-03T13:04:23Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - 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) - Event-based Visual Deformation Measurement [76.25283405575108]
視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。
従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。
本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-16T01:04:48Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。
潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。
これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
論文 参考訳（メタデータ） (2024-03-14T12:58:28Z) - 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)
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。