論文の概要: Uncertainty-Guided Latent Diffusion Models for Faithful Super Resolution
- arxiv url: http://arxiv.org/abs/2608.25998v1
- Date: Wed, 26 Aug 2026 16:47:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.913073
- Title: Uncertainty-Guided Latent Diffusion Models for Faithful Super Resolution
- Title（参考訳）: 忠実超解像に対する不確かさ誘導潜在拡散モデル
- Abstract要約: UGDiffは、知覚・歪曲バランスをさらに改善するために設計された、新しい拡散誘導パラダイムである。
特に,高忠実度画像に対応する潜在特徴の再構成の不確かさを推定する。
この不確実性は拡散過程を誘導し、高不確かさ領域における高周波の詳細を選択的に復元する。
- 参考スコア（独自算出の注目度）: 10.908001570207782
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The perception-distortion trade-off poses a fundamental challenge in single-image super-resolution (SR). Although diffusion-based SR methods excel at generating perceptually realistic images, achieving high fidelity remains a key limitation. Recent advances in diffusion-based SR have shown promise in improving fidelity, but these methods often compromise perceptual quality due to their high reliance on a high-fidelity image. To address this, we introduce UGDiff, a novel diffusion guidance paradigm designed to further improve the perception-distortion balance. In particular, we first estimate the reconstruction uncertainty of the latent features corresponding to a high-fidelity image. This uncertainty is then used to guide the diffusion process to selectively restore high-frequency details in high-uncertainty regions, while preserving fidelity elsewhere. Furthermore, our guidance method adaptively identifies the high-uncertainty regions by considering not only the estimated uncertainty but also the posterior variance of the diffusion sampler at each timestep. This relaxes the reliance on the high-fidelity image in the later stages of sampling, thereby achieving a better perception-distortion balance. Extensive experimental results demonstrate that our method performs favorably against state-of-the-art diffusion-based SR methods.
- Abstract（参考訳）: 知覚歪のトレードオフは、単一像超解像(SR)において根本的な課題となる。
拡散ベースのSR法は知覚的にリアルな画像を生成するのに優れているが、高い忠実性を達成することは重要な限界である。
拡散型SRの最近の進歩は、忠実度向上の公約を示しているが、高忠実度画像への依存度が高いため、知覚品質を損なうことがしばしばある。
そこで本研究では,知覚・歪曲バランスを改善するために,新しい拡散誘導パラダイムであるUGDiffを紹介する。
特に,高忠実度画像に対応する潜在特徴の再構成の不確かさを推定する。
この不確実性は拡散過程を誘導し、高不確かさ領域における高周波の詳細を選択的に復元し、他の領域で忠実性を保つために用いられる。
さらに,本手法は,推定不確実性だけでなく,各時間における拡散サンプリング器の後方分散を考慮し,高不確かさ領域を適応的に同定する。
これにより、サンプリング後期における高忠実度画像への依存を緩和し、より優れた知覚・歪みバランスを実現する。
実験結果から,本手法は最先端拡散型SR法に対して良好に機能することが示された。
関連論文リスト
- Less Approximates More: Harmonizing Performance and Confidence Faithfulness via Hybrid Post-Training for High-Stakes Tasks [52.81286869496811]
大規模な言語モデルは、自信を持って不正確な推論が現実世界の害を引き起こすような、ハイテイクなタスクにますますデプロイされている。
内的フィードバックからの教師なし強化学習と推論・トラス誘導型推論蒸留を併用して協調的に最適化することを提案する。
PRG方式のメトリクスを用いてRDとRLIFを適応的に重み付けするハイブリッドポストトレーニングフレームワークであるHyTuningを紹介する。
論文 参考訳（メタデータ） (2026-04-09T16:50:11Z) - Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。
本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。
我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文 参考訳（メタデータ） (2025-10-20T02:40:06Z) - Harnessing Diffusion-Yielded Score Priors for Image Restoration [29.788482710572307]
深部画像復元モデルは、劣化した画像空間から自然画像空間へのマッピングを学習することを目的としている。
MSEベース、GANベース、拡散ベースメソッドの3つの主要なクラスが登場した。
これらの課題に対処するための新しい手法HYPIRを提案する。
論文 参考訳（メタデータ） (2025-07-28T07:55:34Z) - One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。
VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。
提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
論文 参考訳（メタデータ） (2025-06-03T08:28:13Z) - BUFF: Bayesian Uncertainty Guided Diffusion Probabilistic Model for Single Image Super-Resolution [19.568467335629094]
ベイジアン不確実性誘導拡散確率モデル(BUFF)を紹介する。
BUFFは、ハイレゾな不確実性マスクを生成するためにベイズネットワークを組み込むことで、自分自身を区別する。
複雑なテクスチャと細部が特徴の領域において、人工物やぼやけを著しく軽減する。
論文 参考訳（メタデータ） (2025-04-04T14:43:45Z) - Boosting Diffusion Guidance via Learning Degradation-Aware Models for Blind Super Resolution [23.803999447051336]
本稿では,拡散誘導フレームワークに劣化認識モデルを組み込んだDADiffを提案する。
提案手法は,ブラインドSRベンチマークにおける最先端手法よりも優れた性能を有する。
論文 参考訳（メタデータ） (2025-01-15T14:17:13Z) - FaithDiff: Unleashing Diffusion Priors for Faithful Image Super-resolution [48.88184541515326]
本稿では,忠実な画像SRのための遅延拡散モデル(LDM)のパワーをフル活用するために,FithDiffというシンプルで効果的な手法を提案する。
高品質画像上で事前学習した拡散モデルを凍結する既存の拡散ベースSR法とは対照的に,有用な情報を特定し,忠実な構造を復元する前に拡散を解き放つことを提案する。
論文 参考訳（メタデータ） (2024-11-27T23:58:03Z) - Improving the Stability and Efficiency of Diffusion Models for Content Consistent Super-Resolution [18.71638301931374]
画像超解像 (SR) 結果の視覚的品質を高めるために, 予め訓練した潜伏拡散モデル (DM) の生成先行が大きな可能性を示唆している。
本稿では、生成SR過程を2段階に分割し、DMを画像構造再構築に、GANを細かな細部改善に使用することを提案する。
トレーニングを済ませると、提案手法、すなわちコンテンツ一貫性超解像(CCSR)は、推論段階における異なる拡散ステップの柔軟な利用を可能にする。
論文 参考訳（メタデータ） (2023-12-30T10:22:59Z) - 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) - 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)
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。