論文の概要: The Noise Plane: A Diffusion Bridge Across Exponent and Dispersion

• arxiv url: http://arxiv.org/abs/2610.37576v1
• Date: Tue, 27 Oct 2026 17:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.729187
• Title: The Noise Plane: A Diffusion Bridge Across Exponent and Dispersion
• Title（参考訳）: 騒音面:指数と分散にまたがる拡散橋
• Abstract要約: $p$-Bridgeは、Tweedieノイズのための統一された測定インデックス拡散フレームワークである。 ノイズ指数$p$は分散強度関係を記述し、累積測定$$はノイズレベルを制御する。 1つの指数条件付きネットワークは、各指数に対する個別のトレーニングなしで異なるツイーディノイズモデルに適応する。
• 参考スコア（独自算出の注目度）: 1.946172784348529
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Diffusion-based denoising commonly uses Gaussian perturbations, whereas sensor noise follows diverse signal-dependent statistical laws. In this paper, we propose $p$-Bridge, a unified measurement-indexed diffusion framework for Tweedie noise. The noise exponent $p$ describes the variance--intensity relation, while accumulated measurement $ν$ controls the noise level. Together, they define a noise plane that includes Gaussian, Poisson, and Gamma models. The stochastic bridge connects measurement distributions through independent increments, giving denoising a physical interpretation as progressive measurement accumulation. Both the starting and stopping indices can be specified, allowing restoration from an observed measurement level to a prescribed higher level. Measurement superposition yields a shared reverse-mean update, paired with a deviance-based objective for learning the required conditional mean. A latent compound Poisson--Gamma construction enables sampling at intermediate exponents. A single exponent-conditioned network adapts to different Tweedie noise models without separate training for each exponent. Experiments show that exponent conditioning improves cross-exponent robustness over fixed-exponent models. Using estimated exponents, the shared network achieves robustness comparable to an oracle-selected set of five specialist models. Experiments on synthetic images, FMD fluorescence microscopy, and multi-sensor SAR images further demonstrate its effectiveness across different signal-dependent noise regimes.
• Abstract（参考訳）: 拡散に基づく認知は一般的にガウス摂動を用いるが、センサノイズは様々な信号依存統計法則に従う。 本稿では,Tweedieノイズに対する統一的な計測インデックス拡散フレームワークである$p$-Bridgeを提案する。 ノイズ指数$p$は分散強度関係を記述し、累積測定$ν$はノイズレベルを制御する。 彼らは共に、ガウス、ポアソン、ガンマモデルを含むノイズプレーンを定義する。 確率的ブリッジは、独立したインクリメントを通して測定分布を接続し、物理的解釈をプログレッシブな測定蓄積として認知させる。 開始と停止の両方の指標を指定することができ、観測された測定レベルから所定のより高いレベルまで復元することができる。 測定重畳は、要求条件の平均を学習するための偏差に基づく目的と組み合わせた共有逆平均更新をもたらす。 潜在化合物ポアソン-ガンマ構造は中間指数でのサンプリングを可能にする。 1つの指数条件付きネットワークは、各指数に対する個別のトレーニングなしで異なるツイーディノイズモデルに適応する。 実験により、指数条件付けは固定指数モデルよりもクロス指数ロバスト性を向上させることが示された。 推定指数を用いて、共有ネットワークは、5つの専門モデルのオラクル選択セットに匹敵する堅牢性を達成する。 合成画像、FMD蛍光顕微鏡、マルチセンサーSAR画像による実験により、信号依存ノイズレシエーションにおけるその効果がさらに示された。

関連論文リスト

• Annealed Lévy Diffusion via Gaussian Surrogate Reverse Dynamics [18.38261317527213]
  Annealed Lévy Diffusion (ALD)について紹介する。 ALDは安定性指数$(t)$を変えて、重い尾の探索とガウスの精錬を組み合わせる。 ALDを4つの2次元ベンチマークと不均衡な9モード混合体で評価した。
  論文  参考訳（メタデータ） (2026-10-14T07:13:12Z)
• Poisson2Gaussian: Noise Gaussianization to Enhance Image Denoising [14.798094742595426]
  複素実世界の雑音をi.d.に明示的に変換するノイズガウス化法であるPoisson2Gaussian (P2G)を提案する。 P2Gは、さまざまなデータセットにわたる最先端のパフォーマンスを一貫して達成する。 特に、P2Gはアーキテクチャに依存しないため、様々なデノワに対して普遍的な改善を提供することができる。
  論文  参考訳（メタデータ） (2026-06-22T09:41:59Z)
• Nonparametric Deconvolution and Denoising using Simulation Based Inference [3.6640504352010885]
  我々は,観測されたデータ分布と雑音を伴うモデル分布とをマッチングすることにより,潜在生成モデルを学習する。 本手法は, 生成潜在分布モデルの下でのデコンボリューションに対する実用的, 理論的に基礎的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-06-20T07:03:37Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• Immiscible Diffusion: Accelerating Diffusion Training with Noise Assignment [56.609042046176555]
  準最適雑音データマッピングは拡散モデルの遅い訓練につながる。 物理学における不和性現象からインスピレーションを得て,不和性拡散を提案する。 我々のアプローチは極めて単純で、各画像の拡散可能な領域を制限するために1行のコードしか必要としない。
  論文  参考訳（メタデータ） (2024-06-18T06:20:42Z)
• 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)
• Multimodal Exponentially Modified Gaussian Oscillators [4.233733499457509]
  本研究では,任意振動項を持つ3段階多モード指数修正ガウスモデルを提案する。 これにより、人工物に苦しむ合成超音波信号を完全に回収することができる。 得られた特徴の分類能力を示すために実データ実験を行った。
  論文  参考訳（メタデータ） (2022-09-25T11:48:09Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。