論文の概要: Spatially Adaptive Noise Injection

• arxiv url: http://arxiv.org/abs/2609.18466v1
• Date: Wed, 16 Sep 2026 11:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.765644
• Title: Spatially Adaptive Noise Injection
• Title（参考訳）: 空間適応型ノイズ注入
• Abstract要約: 拡散サンプリングは、DDPM(Deterministic)アップデートまたはDDIM(Deterministic)アップデートを使用して学習したノイズ発生プロセスを反転させる。 本研究では,1画素あたりの雑音を動的に調整する新しいサンプリングフレームワークであるSpatially Adaptive Noise Injection (SANI)を導入する。
• 参考スコア（独自算出の注目度）: 43.822624709841044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion samplers reverse a learned noising process using either stochastic (DDPM) or deterministic (DDIM) updates, which represent endpoints of a single family controlled by a scalar noise-injection variance that is applied identically at every spatial location. This uniform approach neglects the geometry of natural images: high-curvature regions such as edges and textures, where the denoiser is uncertain, benefit from stochastic correction, whereas smooth regions, where the score is precise, are degraded by injected noise. This work investigates whether each pixel requires stochastic correction at a given timestep and introduces Spatially Adaptive Noise Injection (SANI), a novel sampling framework that dynamically adjusts noise application on a per-pixel basis. SANI integrates a probabilistic gating mechanism with a derived spatially adaptive variance, ensuring that noise is injected precisely where needed to refine complex features while preserving well-formed structures. Experimental results and decoupling ablations demonstrate that SANI consistently improves Fréchet Inception Distance (FID) over the vanilla DDPM and DDIM endpoint samplers across diverse sampling timesteps, while remaining competitive with variance-learning baselines, highlighting the importance of spatial adaptivity in diffusion sampling.
• Abstract（参考訳）: 拡散サンプリングは、各空間位置で同一に適用されるスカラーノイズ注入分散によって制御される単一ファミリーの終端を表す、確率的 (DDPM) または決定論的 (DDIM) 更新を用いて学習された雑音発生過程を逆転させる。 この一様アプローチは自然画像の幾何学を無視する: エッジやテクスチャなどの高曲率領域は、デノイザが不確かであり、確率的補正の恩恵を受け、一方、スコアが正確である滑らかな領域は、注入ノイズによって劣化する。 本研究は,各画素が所定のタイミングで確率的補正を必要とするかどうかを検証し,各画素ごとに動的にノイズを適応する新しいサンプリングフレームワークである空間適応ノイズ注入(SANI)を導入する。 SANIは確率的ゲーティング機構を導出した空間適応分散と統合し、ノイズが複雑な特徴を洗練させるために必要な場所で正確に注入されることを保証する。 その結果, 拡散サンプリングにおける空間適応性の重要性を強調しつつ, 分散学習ベースラインとの競合を保ちながら, バニラDDPMおよびDDIMエンドポイントサンプリング器よりも一貫したFréchet Inception Distance(FID)の改善が見られた。

関連論文リスト

• Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
  ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。 2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T10:52:05Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection [6.893608092072852]
  Denoising score matching (DSM)は、ニューラルネットワークをトレーニングしてスコア関数を復元することで、データの分散を学ぶ方法を提供する。 K-DSM(Kurtosis-based noise scaling)は,各周縁分布の形状から雑音レベルを設定する方式である。 標準的な異常検出ベンチマークでは、K-DSMは半教師付き設定で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T21:19:12Z)
• From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
  既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。 本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。 精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
  論文  参考訳（メタデータ） (2026-02-26T15:50:15Z)
• Rethinking Refinement: Correcting Generative Bias without Noise Injection [7.28668585578288]
  拡散モデルやフローベースモデルを含む生成モデルは、しばしばサンプルの品質を低下させる体系的なバイアスを示す。 ノイズインジェクションやマルチステップ再サンプリングを使わずに,効果的なバイアス補正がポストホック法として実現できることを示す。
  論文  参考訳（メタデータ） (2026-01-29T02:34:08Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• Robust variable selection for spatial point processes observed with noise [1.8047694351309207]
  そこで本稿では,疎度プロモーティング推定とノイズロバストモデル選択を組み合わせた点過程の強度関数における変数選択を提案する。 本研究では,様々なノイズシナリオ下で真の空間的コスを確実に回復し,両方の選択安定性を向上することを示す。 これは雑音下でのポイントプロセスモデルにおけるロバストな変数選択のための体系的なフレームワークを提供する手法の実用性を示している。
  論文  参考訳（メタデータ） (2025-10-29T14:18:08Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)

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。