論文の概要: Efficient JPEG Restoration in the Wavelet Domain via Mean Flows

• arxiv url: http://arxiv.org/abs/2608.28730v1
• Date: Fri, 28 Aug 2026 17:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.735847
• Title: Efficient JPEG Restoration in the Wavelet Domain via Mean Flows
• Title（参考訳）: ウェーブレット領域における平均流によるJPEGの効率的な復元
• Abstract要約: 我々は,LIVE-1,Urban100,DIV2K-valにおいて,QF10,20で最低のLPIPSが得られる65Mパラメータ生成復号器を提案する。 スクラッチからトレーニングされたこのモデルは、学習したVAEエンコーダデコーダを、完全に可逆な2レベルHaar変換に置き換える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latest JPEG restoration systems achieve strong quality with large models, yet often remain too slow and expensive for efficient on-device deployment. We present a 65M-parameter generative restorer that attains the lowest LPIPS at QF 10 and 20 on LIVE-1, Urban100, and DIV2K-val while sustaining 8.05 images/s at $1024\times1024$ on a single RTX 3090, roughly $4.9\times$ the reported throughput of one-step SODiff at one-twentieth of its parameters. Trained from scratch, the model replaces the learned VAE encoder-decoder with an exactly invertible two-level Haar transform, predicts a clean wavelet-domain residual through a rank-enhanced linear-attention DiT that estimates compression severity internally, and is optimized with an improved MeanFlow objective that enables inference in one or two network evaluations without distillation. Large pretrained priors remain stronger under severe compression (QF 5), whereas our model prioritizes throughput for deployment-constrained restoration.
• Abstract（参考訳）: 最近のJPEG復元システムは、大きなモデルで強力な品質を達成するが、デバイス上での効率的なデプロイには遅すぎるし、高価であることが多い。 LIVE-1,Urban100,DIV2K-valでQF10,20で最低のLPIPSを達成し,RTX 3090で8.05イメージ/秒を1024\times1024$で維持し,約4.9\times$1段階のSODiffのスループットを20分の1で報告した。 スクラッチから学習したVAEエンコーダデコーダを正確に2段階のハール変換に置き換え、内部で圧縮重大度を推定するランクエンハンスリニアアテンション DiT を通じてクリーンウェーブレット領域残差を予測し、蒸留なしで1つか2つのネットワーク評価で推論できる改善されたMeanFlowの目的で最適化する。 重度圧縮(QF 5)の下では,事前訓練前の大規模化が引き続き強くなる一方,本モデルでは,配置制約の回復のためにスループットを優先する。

関連論文リスト

• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• PENet+: A Lightweight Residual Transformer Framework for Efficient Image Steganalysis [9.15921637313934]
  ステガナリシスは 現代のサイバーセキュリティと デジタル法医学の中核的な要素です 最近の残差トランスフォーマーアーキテクチャは、強力な検出精度を実現するが、その計算およびメモリ要求は、リソース制約された設定への展開を妨げる。 本稿では,PENetの識別構造を保存し,効率を大幅に向上する軽量ステガナリシスフレームワークPENet+を提案する。
  論文  参考訳（メタデータ） (2026-06-09T14:47:16Z)
• Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
  本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
  論文  参考訳（メタデータ） (2026-05-09T10:05:51Z)
• Hybrid Gated Flow (HGF): Stabilizing 1.58-bit LLMs via Selective Low-Rank Correction [0.766310831583367]
  Hybrid Gated Flow (HGF) は1.58ビットの3進バックボーンと学習可能な低ランクのFP16修正パスを結合したデュアルストリームアーキテクチャである。 我々は,HGF 5.4 が BitNet の 1.0294 と比較して 0.9306 のバリデーション損失を達成し,純三次量子化と FP16 ベースライン間の品質ギャップの約55% を回復することを示した。
  論文  参考訳（メタデータ） (2026-02-05T03:47:17Z)
• HQP: Sensitivity-Aware Hybrid Quantization and Pruning for Ultra-Low-Latency Edge AI Inference [0.0]
  相乗的モデル加速を実現するために設計されたHybrid Quantization and Pruning (HQP)フレームワーク。 HQPフレームワークは3.12倍の推論速度向上と55%のモデルサイズ縮小を実現している。
  論文  参考訳（メタデータ） (2026-02-02T18:17:45Z)
• Progressive Supernet Training for Efficient Visual Autoregressive Modeling [56.15415456746672]
  本稿では,パラダイムとフルネットワークの両方の世代品質のフロンティアを突破するトレーニング戦略を提案する。 ImageNetの実験では、事前訓練されたVAR-d30、VARiant-d16、VARiant-d8と比べ、ほぼ同等の品質を実現している。 VARiant-d2は3.5倍のスピードアップと80%のメモリ削減を実現している。
  論文  参考訳（メタデータ） (2025-11-20T16:59:24Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• SSDD: Single-Step Diffusion Decoder for Efficient Image Tokenization [56.12853087022071]
  スケーリングとトレーニングの安定性を向上させるために,新しい画素拡散デコーダアーキテクチャを導入する。 蒸留を用いて, 拡散復号器の性能を効率よく再現する。 これによりSSDDは、敵の損失なしに訓練された単一ステップ再構成に最適化された最初の拡散デコーダとなる。
  論文  参考訳（メタデータ） (2025-10-06T15:57:31Z)
• Q-Sched: Pushing the Boundaries of Few-Step Diffusion Models with Quantization-Aware Scheduling [17.912877295127355]
  本稿では,モデル重みよりも拡散モデルスケジューラを改良した,ポストトレーニング量子化のための新しいパラダイムであるQ-Schedを紹介する。 Q-Schedはモデルサイズの4倍の精度で完全精度を達成する。 80,000以上のアノテーションを持つ大規模なユーザ調査では、FLUX.1[schnell]とSDXL-Turboの両方でQ-Schedの有効性が確認されている。
  論文  参考訳（メタデータ） (2025-09-01T17:09:22Z)
• Diversity-Guided MLP Reduction for Efficient Large Vision Transformers [62.33249256133204]
  トランスフォーマーモデルは優れたスケーリング特性を実現し、モデルキャパシティの増大により性能が向上する。 大規模モデルパラメータは、計算とメモリの大幅なコストにつながる。 そこで本稿では,大規模な視覚変換器のパラメータを著しく削減するDGMR法を提案する。
  論文  参考訳（メタデータ） (2025-06-10T08:59:27Z)
• Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
  この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。 周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-01-29T07:10:56Z)

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。