論文の概要: Dynamic Time Step Prediction in Inverse Heat Dissipation for Blur-Like Image Restoration Tasks

• arxiv url: http://arxiv.org/abs/2610.03942v1
• Date: Fri, 02 Oct 2026 18:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:14:23.420143
• Title: Dynamic Time Step Prediction in Inverse Heat Dissipation for Blur-Like Image Restoration Tasks
• Title（参考訳）: ブラ型画像復元作業における逆熱散逸時の動的時間ステップ予測
• Abstract要約: 拡散反転は通常、劣化した画像から関連する画像情報を保持するために使用される。 ひどく劣化した画像は、わずかに劣化した画像よりも早期の開始時間ステップを必要とする。 逆熱散逸モデルでは、データポイントを徐々にぼかし、入力画像を拡散させる。 本手法は,定量評価と定性評価の両方において最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 20.15876250977726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When using diffusion models to target image restoration problems, diffusion inversion is typically employed to retain relevant image information from the degraded images. Instead of inverting back to the initial time step (i.e., T), many methods invert to a pre-determined intermediate time step, in order to better preserve information from degraded source images. However, a pre-determined time step for inversion is not ideal for reconstruction, as a severely degraded image requires an earlier starting time step than a mildly degraded one. In addition, DDIM-based models corrupt the original signal by adding Gaussian noise, which can be mismatched to the nature of blur-like degradations, such as blur, haze, and low-light. To address these problems, we propose two solutions: (1) we adopt an alternative diffusion process, called the Inverse Heat Dissipation Model, that diffuses the input image by gradually blurring a data point (2) we propose to implement a time predictor to estimate the starting time step for the inversion, with the model learning to adapt to the degradation severity. Extensive experiments on standard benchmarks show that our method achieves state-of-the-art performance in both quantitative and qualitative evaluations, with excellent generalization to many restoration tasks.
• Abstract（参考訳）: 拡散モデルを用いて画像復元問題を対象とする場合、拡散インバージョンは通常、劣化した画像から関連する画像情報を保持するために使用される。 初期時間ステップ(T)に逆戻りする代わりに、劣化したソース画像からの情報をよりよく保存するために、多くのメソッドが事前に決定された中間時間ステップに逆戻りする。 しかし、逆転の事前決定時間ステップは、過度に劣化した画像よりも早い開始時間ステップを必要とするため、復元には理想的ではない。 さらに、DDIMベースのモデルはガウスノイズを加えて元の信号を破損させ、それはぼやけや迷路、低照度といったぼやけのような劣化の性質にマッチしない。 そこで本研究では,(1)逆熱散逸モデル(Inverse Heat Dissipation Model)と呼ばれる,データ点を徐々にぼかし,入力画像を拡散させる別の拡散過程を提案する(2)逆転の開始時間ステップを推定する時間予測器を実装する。 提案手法は, 定量評価と定性評価の両面での最先端性能を実現し, 多くの復元作業の一般化に優れることを示す。

関連論文リスト

• Timestep Rescheduling in Diffusion Inversion [79.30105376216544]
  ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを示す。 本稿では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合した,シンプルで効果的な非一様タイムスケジューラを提案する。 本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。
  論文  参考訳（メタデータ） (2026-06-13T16:32:01Z)
• Invert2Restore: Zero-Shot Degradation-Blind Image Restoration [19.263005158979567]
  Invert2Restoreはゼロショットでトレーニング不要なメソッドで、完全に盲目と部分的に盲目の両方で動作する。 様々な種類の画像劣化をうまく一般化する。 Invert2Restoreは複数の画像復元タスクに対して実験的に検証する。
  論文  参考訳（メタデータ） (2025-03-27T13:22:40Z)
• Frequency-Guided Posterior Sampling for Diffusion-Based Image Restoration [35.35400265928447]
  本稿では,既存の拡散型修復法に対する簡単な修正を提案する。 本手法では,周波数領域における時間変化の少ない低域通過フィルタを提案する。 本稿では,その基礎となるデータ分布に基づいて,この周波数スケジュールの適応カリキュラムを開発する。
  論文  参考訳（メタデータ） (2024-11-22T18:31:02Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Diffeomorphic Template Registration for Atmospheric Turbulence Mitigation [50.16004183320537]
  大気の乱流により劣化した画像の集合体に基づく放射能の回復法について述べる。 画像の1つを参照として選択し、その画像から他の画像への光フローの集約により、この画像の変形をモデル化する。 単純さに拘わらず、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-05-06T17:39:53Z)
• DiracDiffusion: Denoising and Incremental Reconstruction with Assured Data-Consistency [24.5360032541275]
  拡散モデルは、画像復元を含む多数のコンピュータビジョンタスクにおいて、この技術の新たな状態を確立した。 逆問題解決のための新しい枠組みを提案する。つまり、観測は徐々に劣化し、元のクリーンイメージにノイズを与える劣化過程から来ていると仮定する。 本手法は, 逆過程を通じて元の計測値との整合性を維持し, 歪み指標の改善と早期ストッピングによるサンプリング高速化のために, 知覚品質のトレードオフに優れた柔軟性を実現する。
  論文  参考訳（メタデータ） (2023-03-25T04:37:20Z)
• Inversion by Direct Iteration: An Alternative to Denoising Diffusion for Image Restoration [22.709205282657617]
  Inversion by Direct Iteration (InDI)は、教師付き画像復元のための新しい定式化である。 既存の回帰ベースの手法よりもリアルで詳細な画像を生成する。
  論文  参考訳（メタデータ） (2023-03-20T20:28:17Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)

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。