論文の概要: The Noise-Transmission Burden of Diffusion Network: Why Image Prediction Can Outperform Noise Prediction
- arxiv url: http://arxiv.org/abs/2610.34834v1
- Date: Mon, 26 Oct 2026 04:30:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.746256
- Title: The Noise-Transmission Burden of Diffusion Network: Why Image Prediction Can Outperform Noise Prediction
- Title（参考訳）: 拡散ネットワークのノイズ伝達バーデン:なぜ画像予測がノイズ予測より優れているのか
- Abstract要約: 有限拡散ネットワークにおいて,ノイズ予測とクリーンイメージ予測がどう機能するかを示す。
ノイズ標準偏差$_t$のノイズ入力$Y_t$に対して、ノイズ予測器はクリーンイメージ推定を誘導する。
その結果, 遮音性能の低下は, プレコンディショニングによるボトルネックフロアの減衰やキャンセルを反映していることが判明した。
- 参考スコア（独自算出の注目度）: 7.54380081612327
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clean-image prediction ($x$-prediction) and noise prediction yield equivalent population-optimal denoisers, yet can perform very differently in finite diffusion networks. For noisy input $Y_t$ with noise standard deviation $σ_t$, a noise predictor $f_{\varepsilon,t}$ induces the clean-image estimate $\widehat X_1=Y_t-σ_t f_{\varepsilon,t}(Y_t)$. This reveals a noise-transmission burden: the predictor must preserve information needed to cancel the input corruption. Under Gaussian corruption of $d$-dimensional data, a linear input bottleneck of rank $r<d$ imposes a denoising-error floor $σ_t^2(d-r)$ even with unrestricted downstream computation, while the corresponding optimal risk for image prediction remains bounded. EDM attenuates this bottleneck contribution at high noise; exact preconditioning cancels it at every noise level. Without an input bottleneck, assuming exact affine recovery of the noisy patch from the model representation, we characterize how the covariance spectrum of corrections beyond linear denoising determines the width required above the patch dimension. ImageNet experiments with JiT show that measured denoising losses reflect the predicted bottleneck floor and its attenuation or cancellation through preconditioning. Further widening yields larger relative denoising gains at low noise, where corrections beyond linear denoising spread across more directions, consistent with our spectral characterization of the required model width. Together, these results provide a denoising-based account of practical generation-quality gaps across prediction targets, preconditioning choices, and model widths.
- Abstract（参考訳）: クリーンイメージ予測(x$-prediction)とノイズ予測(英語版)は、同値な集団最適雑音を生じるが、有限拡散ネットワークでは、非常に異なる性能を発揮できる。
ノイズ標準偏差を持つノイズ入力$Y_t$に対して、ノイズ予測器$f_{\varepsilon,t}$はクリーンイメージ推定$\widehat X_1=Y_t-σ_t f_{\varepsilon,t}(Y_t)$を誘導する。
予測器は入力の破損をキャンセルするために必要な情報を保持する必要がある。
ガウシアンによる$d$次元データの破損の下では、階数$r<d$の線形入力ボトルネックは、制約のない下流の計算であっても、階数$σ_t^2(d-r)$を課すが、画像予測の最適リスクは依然として有界である。
EDMは、このボトルネック寄与を高ノイズで減らし、正確なプレコンディショニングは、ノイズレベル毎にキャンセルする。
入力ボトルネックがなければ、モデル表現からノイズパッチの正確なアフィン回復を仮定し、線形 denoising 以外の補正の共分散スペクトルがパッチ寸法を超える幅を決定するかの特徴付けを行う。
ImageNet experiment with JiT shows that measured denoising loss reflect the expected bottleneck floor and its attenuation or cancel through preconditioning。
さらなる拡大により、低雑音下での相対偏極利得はより大きくなり、より多くの方向にわたって線形偏極を超える補正が広がり、必要なモデル幅のスペクトル的特徴と一致する。
これらの結果は、予測対象、事前条件選択、モデル幅間の実用的な生成品質のギャップについて、デノベーションベースの説明を提供する。
関連論文リスト
- Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。
その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。
JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
論文 参考訳（メタデータ） (2026-06-13T10:29:11Z) - Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration [6.402777145722335]
インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。
評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T08:11:20Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - Denoising Diffusions with Optimal Transport: Localization, Curvature, and Multi-Scale Complexity [5.075506385456813]
拡散に基づく生成モデルはランゲヴィン拡散鎖を認知することを目的としている。
交通費の最適逆方向マップは, スコアデノーミングが最適であることを示す。
論文 参考訳（メタデータ） (2024-11-03T16:47:05Z) - Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。
提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。
本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文 参考訳（メタデータ） (2023-10-11T20:48:20Z) - Optimizing the Noise in Self-Supervised Learning: from Importance
Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。
我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。
本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文 参考訳（メタデータ） (2023-01-23T19:57:58Z) - A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。
本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。
DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
論文 参考訳（メタデータ） (2022-12-09T03:28:07Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - 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)
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。