論文の概要: Convergent Plug-and-Play Image Restoration with Annealed Noise Levels

• arxiv url: http://arxiv.org/abs/2609.32393v2
• Date: Thu, 01 Oct 2026 17:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.377021
• Title: Convergent Plug-and-Play Image Restoration with Annealed Noise Levels
• Title（参考訳）: 焼成雑音レベルの収束したプラグアンドプレイ画像復元
• Abstract要約: 画像収束理論と最先端画像復元法で用いられる減量化実践のギャップを橋渡しする。 このようなスケジュールの利点を実証的に実証し、いくつかの画像逆問題に対する予測収束挙動を示す。
• 参考スコア（独自算出の注目度）: 4.56877715768796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plug-and-Play (PnP) methods solve imaging inverse problems by incorporating deep denoisers into iterative optimization algorithms. Although practical implementations often decrease the denoiser noise level $σ$ along iterations, most existing convergence analyses assume a fixed denoiser. In this work, we establish convergence guarantees for a broad family of Plug-and-Play algorithms with annealed noise level, spanning deterministic methods (RED--GD and PnP--PGD) and stochastic methods (SNORE, equivariant RED, and a variant of PnP--Flow). For each method, we identify an explicit, nonconvex objective associated with the terminal denoising level and prove asymptotic stationarity of the iterates with respect to this objective. Our analysis does not prescribe any decay rate for the noise schedule, and our assumptions cover both learned gradient-step denoisers and exact MMSE denoisers. Overall, our theoretical results bridge the gap between existing PnP convergence theory and the decreasing-denoising practices used by state-of-the-art image restoration methods. We empirically demonstrate the benefits of such schedules and illustrate the predicted convergence behavior on several imaging inverse problems, including inpainting, super-resolution, demosaicing and tomography.
• Abstract（参考訳）: Plug-and-Play (PnP) 法は、深いデノイザを反復最適化アルゴリズムに組み込むことで、画像逆問題を解決する。 現実的な実装は繰り返しに沿って denoiser ノイズレベル $σ$ を減少させることが多いが、既存の収束解析のほとんどは固定 denoiser を仮定している。 本研究では,アニールノイズレベル,決定論的手法(RED-GD,PnP-PGD)および確率的手法(SNORE,同変RED,PnP-Flowの変種)にまたがる,幅広い種類のPlug-and-Playアルゴリズムの収束保証を確立する。 それぞれの方法において, 終端復調レベルに関連付けられた明示的で非凸な目的を同定し, この目的に対する反復の漸近的定常性を証明する。 我々の分析ではノイズスケジュールの減衰速度は規定されておらず、学習段階の騒音と正確なMMSE騒音の両方を仮定する。 以上の結果から,既存のPnP収束理論と最先端画像復元手法による劣化低減手法のギャップを埋めることができた。 このようなスケジュールの利点を実証的に実証し, インペイント, 超解像, デモサイシング, トモグラフィなどの画像逆問題に対して, 予測収束挙動を示す。

関連論文リスト

• From Image Denoisers to Regularizing Imaging Inverse Problems: An Overview [10.381324512554835]
  逆問題は現代のイメージング科学の中心にあり、医療画像、リモートセンシング、顕微鏡などの分野に広く応用されている。 近年、データ駆動の正則化器がますます使われるように、イメージングの逆問題解決のパラダイムシフトが見られた。 データ駆動型正規化の顕著なアプローチは、反復的画像再構成アルゴリズムにおいて、学習された画像復号器を暗黙の先行として使用することである。
  論文  参考訳（メタデータ） (2025-09-03T16:54:59Z)
• 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)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Plug-and-Play image restoration with Stochastic deNOising REgularization [8.678250057211368]
  SNORE(Denoising Regularization)と呼ばれる新しいフレームワークを提案する。 SNOREは、適切なレベルのノイズのある画像のみにデノイザを適用する。 これは明示的な正則化に基づいており、逆問題を解決するための降下につながる。
  論文  参考訳（メタデータ） (2024-02-01T18:05:47Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)
• When deep denoising meets iterative phase retrieval [5.639904484784126]
  従来の位相の検索アルゴリズムはノイズが存在する場合に苦しむが、クリーンなデータを与えると世界収束を示す。 ここでは,位相探索からの反復的手法とディープデノイザからの画像統計とを,正規化によるデノジングにより組み合わせる。 得られた手法は各手法の利点を継承し、他のノイズロス位相探索アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-03T21:00:45Z)

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。