論文の概要: Residual Diffusion Implicit Models

• arxiv url: http://arxiv.org/abs/2609.33020v1
• Date: Sat, 26 Sep 2026 23:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:11:20.902151
• Title: Residual Diffusion Implicit Models
• Title（参考訳）: 残留拡散入射モデル
• Abstract要約: 拡散モデルは複数のタスクにまたがって最先端の結果を達成する。 拡散ブリッジのような最近の手法は厳密な終端制約を課している。 RDIMは、PSNR、SSIM、LPIPSの点で、一貫して芸術の状態を上回ります。
• 参考スコア（独自算出の注目度）: 7.0124069845009025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models achieve state-of-the-art results across multiple tasks. However, in inverse problems, standard initialization from pure Gaussian noise misaligns the generative process with real-world degradations. More recent methods such as diffusion bridges impose strict endpoint constraints and often require long reverse processes that are prone to hallucinations. Alternative consistency models provide noise-invariant, one-step mappings but lack inherent variance modeling and can degrade under severe corruption. Hence, residual diffusion implicit models (RDIMs) are proposed, constituting a generalized framework that explicitly models the residuals between high-quality (HQ) and low-quality (LQ) images, aligning the forward process with the actual degradation. A non-Markovian implicit reverse sampler is derived, which can skip intermediate timesteps, enabling accurate few-step or even single-step reconstruction, while mitigating the hallucinations inherent to long diffusion chains. RDIM also introduces a controllable variance mechanism that interpolates between deterministic and stochastic sampling, balancing fidelity and diversity. Furthermore, it enables the straightforward use of perceptual losses, when needed. Experiments on denoising and super-resolution benchmarks demonstrate that RDIMs consistently outperforms the state of the art, including bridge and consistency models, in terms of PSNR, SSIM, and LPIPS, reducing hallucinations while requiring only a few sampling steps (often just one). The results position RDIMs as an efficient solution for a broad range of image restoration tasks.
• Abstract（参考訳）: 拡散モデルは複数のタスクにまたがって最先端の結果を達成する。 しかし、逆問題では、純粋なガウス雑音からの標準初期化は実世界の劣化を伴う生成過程を誤認する。 拡散ブリッジのような近年の手法は、厳密な終端制約を課し、幻覚の傾向にある長い逆過程を必要とすることが多い。 代替整合性モデルはノイズ不変のワンステップマッピングを提供するが、固有の分散モデリングが欠如しており、深刻な腐敗の下で分解することができる。 したがって、高画質(HQ)画像と低画質(LQ)画像の間の残差を明示的にモデル化し、前処理を実際の劣化と整合させる一般化されたフレームワーク(RDIM)が提案される。 非マルコフ的暗黙的逆サンプリング器が導出され、長い拡散鎖に固有の幻覚を緩和しながら、中間時間ステップをスキップし、正確な数ステップまたは単一ステップの再構成が可能となる。 RDIMはまた、決定論的サンプリングと確率的サンプリングを補間し、忠実性と多様性のバランスをとる制御可能な分散メカニズムも導入している。 さらに、必要に応じて知覚的損失を直接使用することができる。 ノイズ化と超高解像度ベンチマークの実験では、RDIMは、PSNR、SSIM、LPIPSといったブリッジや一貫性モデルを含む最先端のモデルよりも一貫して優れており、わずかなサンプリングステップ(しばしば1ステップ)しか必要とせず幻覚を減らしている。 その結果、RDIMは幅広い画像復元タスクの効率的なソリューションとして位置づけられた。

関連論文リスト

• 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)
• LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling [38.700993166492495]
  本稿では,事前学習した潜伏拡散モデルを用いた再帰サンプリングによるデータセットフリーで統一的な手法を提案する。 本手法では,マルチモーダル理解モデルを用いて,タスクブレンド条件下で生成モデルにセマンティックな事前情報を提供する。
  論文  参考訳（メタデータ） (2025-07-01T14:25:09Z)
• Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models [10.74767402912109]
  モデル再構成なしに様々な画像逆問題に対処できるゼロショットフレームワークを提案する。 そこで我々は,確率値の閉形式近似を導出するノイズ改善機構を提案する。 我々は、推論効率をさらに向上するために、Denoising Diffusion Implicit Models (DDIM) サンプリング戦略を統合する。
  論文  参考訳（メタデータ） (2025-06-16T11:56:50Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• 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 Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)

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。