論文の概要: Using Channel Representations in Regularization Terms: A Case Study on Image Diffusion
- arxiv url: http://arxiv.org/abs/2608.29227v1
- Date: Sat, 29 Aug 2026 12:33:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.881393
- Title: Using Channel Representations in Regularization Terms: A Case Study on Image Diffusion
- Title（参考訳）: 正規化用語におけるチャネル表現を用いた画像拡散の一事例
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.907930410747232
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work we propose a novel non-linear diffusion filtering approach for images based on their channel representation. To derive the diffusion update scheme we formulate a novel energy functional using a soft-histogram representation of image pixel neighborhoods obtained from the channel encoding. The resulting Euler-Lagrange equation yields a non-linear robust diffusion scheme with additional weighting terms stemming from the channel representation which steer the diffusion process. We apply this novel energy formulation to image reconstruction problems, showing good performance in the presence of mixtures of Gaussian and impulse-like noise, e.g. missing data. In denoising experiments of common scalar-valued images our approach performs competitive compared to other diffusion schemes as well as state-of-the-art denoising methods for the considered noise types.
- Abstract（参考訳）: 本研究では,そのチャネル表現に基づく画像に対する非線形拡散フィルタ手法を提案する。
拡散更新方式を導出するために、チャネル符号化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。
結果のオイラー・ラグランジュ方程式は、拡散過程を操る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。
本稿では,このエネルギー定式化を画像再構成問題に適用し,ガウスノイズとインパルスノイズが混在している場合,例えばデータ不足など,優れた性能を示す。
一般的なスカラー画像の復調実験において,提案手法は,他の拡散方式と競合するだけでなく,検討された雑音に対する最先端の復調手法も行う。
関連論文リスト
- A Noise Constrained Diffusion (NC-Diffusion) Framework for High Fidelity Image Compression [21.919751666534395]
高忠実度画像圧縮のためのノイズ拘束拡散(NC拡散)
NC拡散は、もともと学習画像圧縮に付加された量子化ノイズを拡散の前処理のノイズとして定式化する。
適応周波数領域フィルタリングモジュールは、U-Netベースの拡散アーキテクチャにおけるスキップ接続を強化するために開発された。
論文 参考訳（メタデータ） (2026-04-08T01:35:15Z) - 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) - 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) - Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。
本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
論文 参考訳（メタデータ） (2024-11-17T17:45:37Z) - 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) - 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) - Denoising Diffusion Gamma Models [91.22679787578438]
Denoising Diffusion Gamma Model (DDGM)を導入し、ガンマ分布からのノイズが画像および音声生成に改善をもたらすことを示す。
提案手法は,ガンマノイズを用いてトレーニング拡散過程の状態を効率的にサンプリングする能力を保持する。
論文 参考訳（メタデータ） (2021-10-10T10:46:31Z) - Non Gaussian Denoising Diffusion Models [91.22679787578438]
ガンマ分布からのノイズは、画像および音声生成のための改善された結果をもたらすことを示す。
また,拡散過程におけるガウス雑音の混合を用いることで,単一分布に基づく拡散過程における性能が向上することを示す。
論文 参考訳（メタデータ） (2021-06-14T16:42:43Z)
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。