Fugu-MT 論文翻訳(概要): Targeted Iterative Filtering

論文の概要: Targeted Iterative Filtering

arxiv url: http://arxiv.org/abs/2608.22299v1
Date: Sun, 23 Aug 2026 08:49:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 18:24:36.955706
Title: Targeted Iterative Filtering
Title（参考訳）: ターゲット反復フィルタ
Abstract要約: 応用によって決定される値空間における線形拡散過程から導出される新しい非線形拡散スキームを提案する。変換空間における応用駆動線形拡散は, 既存の非線形拡散法と良好に比較できることを示す。
参考スコア（独自算出の注目度）: 17.815884224571693
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The assessment of image denoising results depends on the respective application area, i.e. image compression, still-image acquisition, and medical images require entirely different behavior of the applied denoising method. In this paper we propose a novel, nonlinear diffusion scheme that is derived from a linear diffusion process in a value space determined by the application. We show that application-driven linear diffusion in the transformed space compares favorably with existing nonlinear diffusion techniques.
Abstract（参考訳）: 画像復号化結果の評価は, 画像圧縮, 静止画像取得, 医療画像の各適用領域に依存し, 適用された復号化法とは全く異なる振る舞いを必要とする。本稿では,応用によって決定される値空間における線形拡散過程から導出される非線形拡散スキームを提案する。変換空間における応用駆動線形拡散は, 既存の非線形拡散法と良好に比較できることを示す。

関連論文リスト

Using Channel Representations in Regularization Terms: A Case Study on Image Diffusion [15.907930410747232]
チャネルエンコーディングから得られた画像画素近傍のソフトヒストグラム表現を用いて,新しいエネルギー関数を定式化する。帰結したオイラー・ラグランジュ方程式は、チャネル表現に由来する追加の重み付け項を持つ非線形ロバスト拡散スキームを生成する。
論文参考訳（メタデータ） (2026-08-29T12:33:24Z)
Mapping-Based Image Diffusion [18.40477820095994]
ターゲット画像の強調とデノゲーションのためのテンソルに基づく新しい機能を導入する。本稿では,ガンマ補正やターゲット値範囲フィルタリングなどの非線形関数が存在するアプリケーションにおいて,本フレームワークが優れていることを示す。
論文参考訳（メタデータ） (2026-08-29T09:28:47Z)
Pre-process for segmentation task with nonlinear diffusion filters [0.0]
本稿では,非線形拡散フィルタを用いて断片的定数画像を得る場合を扱う。本稿では, 非線形拡散法から得られる, 後方拡散と関係のある新しい拡散係数の族を提案する。彼らのゴールは、画像を内部に均質化した灰色の強度とぼやけた縁のない閉じた輪郭に分割することである。
論文参考訳（メタデータ） (2026-04-23T08:38:45Z)
Reinforced Diffusion: Learning to Push the Limits of Anisotropic Diffusion for Image Denoising [57.226775716102765]
強化学習に基づくトレーニング可能な異方性拡散フレームワークについて述べる。ディープQ-ラーニングで学習した反復順序による一連の自然な拡散行動としてデノナイジング過程をモデル化することにより,効果的な拡散に基づく画像デノナイザを提案する。
論文参考訳（メタデータ） (2025-12-30T07:23:15Z)
Generative Image Compression by Estimating Gradients of the Rate-variable Feature Distribution [37.60572296105984]
生成画像圧縮に適した拡散に基づく新しい生成モデリングフレームワークを提案する。逆ニューラルネットワークは、圧縮プロセスを直接反転することにより、画像の再構成を訓練する。このアプローチは、最小限のサンプリングステップしか持たないスムーズなレート調整とフォトリアリスティックな再構成を実現する。
論文参考訳（メタデータ） (2025-05-27T10:18:24Z)
VIPaint: Image Inpainting with Pre-Trained Diffusion Models via Variational Inference [5.852077003870417]
我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-11-28T05:35:36Z)
G2D2: Gradient-Guided Discrete Diffusion for Inverse Problem Solving [83.56510119503267]
本稿では,従来の離散拡散に基づく生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。我々は、従来の離散拡散モデルの欠点を吸収状態で緩和するために、星型ノイズプロセスを用いる。
論文参考訳（メタデータ） (2024-10-09T06:18:25Z)
Ultrasound Image Enhancement with the Variance of Diffusion Models [7.360352432782388]
超音波画像の強調にはコントラスト、解像度、スペックル保存の微妙なバランスが必要である。本稿では,適応ビームフォーミングと拡散型分散イメージングを併用した新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-17T17:29:33Z)
Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文参考訳（メタデータ） (2024-06-26T17:40:30Z)
Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。我々は、その固有のODE-軌道の正規化を提唱する。実験により,提案手法は低照度化において優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2023-10-26T17:01:52Z)
ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文参考訳（メタデータ） (2023-07-03T06:49:04Z)
Diffusion in Diffusion: Cyclic One-Way Diffusion for Text-Vision-Conditioned Generation [11.80682025950519]
本研究では,拡散(機械学習)特性の拡散(物理学)について検討する。拡散現象の方向を制御するために,循環一流拡散法(COW)を提案する。本手法は,タスクニーズを理解するための新しい視点を提供し,より広い範囲のカスタマイズシナリオに適用可能である。
論文参考訳（メタデータ） (2023-06-14T05:25:06Z)
Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文参考訳（メタデータ） (2023-06-01T03:08:28Z)
A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。そこで我々は,真の後続分布を近似する設計手法を提案する。
論文参考訳（メタデータ） (2023-05-07T23:00:47Z)

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。