論文の概要: Selective Generative Restoration for Video Deraining via Uncertainty-Aware Diffusion
- arxiv url: http://arxiv.org/abs/2611.16310v1
- Date: Thu, 12 Nov 2026 05:10:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.36615
- Title: Selective Generative Restoration for Video Deraining via Uncertainty-Aware Diffusion
- Title(参考訳): 不確実性認識拡散によるビデオデライニングのための選択的生成的復元
- Abstract要約: 既存の手法は主に、雨の観測からクリーンなシーンを一意に回収できると仮定して、決定論的復元パラダイムに従っている。
本稿では,再生前を再生の不確実性に応じて適応的に活性化するビデオデライニングのための選択的生成再生パラダイムを提案する。
SGVDは、最先端のビデオデラミニング法と比較して、回復性能、知覚品質、時間的一貫性に優れる。
- 参考スコア(独自算出の注目度): 71.86712731481133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video deraining is challenging due to rain streaks, occlusions, and atmospheric effects. Existing methods mainly follow a deterministic restoration paradigm, assuming that clean scenes can be uniquely recovered from rainy observations. However, rain degradation is spatially heterogeneous. Reliable regions require faithful reconstruction, whereas severely occluded regions contain ambiguous content that require stronger prior-driven inference. Therefore, conventional deterministic restoration often produces over-smoothed results, while global generative restoration may introduce unnecessary hallucinations. We introduce a Selective Generative Restoration paradigm for video deraining, where generative priors are adaptively activated according to restoration uncertainty. Based on this principle, we propose Selective Generative Video Deraining (SGVD), an uncertainty-aware diffusion framework that enables adaptive fidelity preservation and generative recovery. Specifically, SGVD exploits stochastic diversity between dual one-step diffusion predictions to estimate region-level restoration uncertainty, which determines where observation fidelity should be preserved and where generative inference should be activated. Furthermore, an anchor-guided trajectory consistency mechanism is proposed to regularize stochastic diffusion evolution across frames, reducing temporal generation drift and improving video coherence. To achieve practical efficiency, SGVD adopts one-step diffusion inference while maintaining uncertainty-aware generative capability. Extensive experiments demonstrate that SGVD achieves superior restoration performance, perceptual quality, and temporal consistency compared with state-of-the-art video deraining methods.
- Abstract(参考訳): 降雨量、閉塞性、大気の影響により、ビデオのデアライニングは困難である。
既存の手法は主に、雨の観測からクリーンなシーンを一意に回収できると仮定して、決定論的復元パラダイムに従っている。
しかし、降雨量は空間的に不均一である。
信頼性のある地域は忠実な再構築を必要とするが、厳密な排除された地域は、より強い事前駆動推論を必要とする曖昧な内容を含んでいる。
したがって、従来の決定論的復元はしばしば過剰な結果をもたらすが、グローバルな生成的復元は不要な幻覚をもたらす可能性がある。
本稿では,再生前を再生の不確実性に応じて適応的に活性化するビデオデライニングのための選択的生成再生パラダイムを提案する。
この原理に基づき、適応的忠実度保存と生成回復を可能にする不確実性を考慮した拡散フレームワークであるSGVD(Selective Generative Video Deraining)を提案する。
具体的には、SGVDは2つの1段階拡散予測の間の確率的多様性を利用して、領域レベルの復元の不確実性を推定する。
さらに、フレーム間の確率的拡散進化を規則化し、時間的生成ドリフトを低減し、ビデオコヒーレンスを改善するために、アンカー誘導軌道整合性機構を提案する。
実用的効率を達成するため、SGVDは不確実性を認識した生成能力を保ちながらワンステップ拡散推定を採用する。
広汎な実験により、SGVDは最先端のビデオデラリニング法と比較して、回復性能、知覚的品質、時間的一貫性に優れることが示された。
関連論文リスト
- RoAR-VAE: Improving Latent Diffusability through Robust Prediction [61.223028918849934]
ロバストアライメントとリコンストラクションVAEは、同じトレーニング予算の下で最強のベースライントークンーザよりも平均生成ベンチマーク性能を2.19ポイント向上させる。
以上の結果から,RoAR-VAEは再構成忠実度と下流生成性とのバランスが良好であることが示唆された。
論文 参考訳(メタデータ) (2026-10-19T11:42:21Z) - Uncertainty DMD: Restoring Diversity in Few-Step Autoregressive Video Distillation [52.34982929108336]
少ない段階の蒸留は自己回帰(AR)ビデオ生成の効率を向上させるが、しばしば多様性の崩壊を引き起こす。
分散マッチング蒸留 (DMD) 蒸留ARビデオジェネレータのこの劣化を分析し, 自己回帰環境では, 構造的不確かさの崩壊の形をとる。
論文 参考訳(メタデータ) (2026-09-10T08:59:47Z) - FADRA: Frequency-Aware Diffusion with Residual Adaptation for Video Face Restoration [19.325369139066925]
ビデオ顔復元(VFR)は、高度に劣化したビデオシーケンスから高品質で時間的に一貫した顔の詳細を復元することを目的としている。
本稿では,周波数対応拡散フレームワークであるFADRAを提案する。
FADRAはより優れた顔構造を復元し、最先端の手法よりも時間的に一貫したビデオを生成する。
論文 参考訳(メタデータ) (2026-07-07T15:24:42Z) - RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs [31.6943694848236]
RainODEは、Neural ODEを使用して潜在空間の降水進化をモデル化するフレームワークである。
この定式化により、微分整合時間力学が実現され、降水系の大規模対流運動が支配的となる。
ブラウン橋に基づく震源モデリングモジュールは、微細な構造を保ちながら残留強度の変動を復元する。
論文 参考訳(メタデータ) (2026-06-29T06:48:02Z) - Adaptive Video Distillation: Mitigating Oversaturation and Temporal Collapse in Few-Step Generation [43.89162138967428]
本稿では,ビデオ拡散モデルに適した新しい蒸留フレームワークを提案する。
その中核となる革新は,(1)空間監督重量を動的に調整し,過度な分布シフトに起因するアーティファクトを防止する適応回帰損失,(2)スムーズで物理的に妥当なサンプリング軌道を促進する時間正規化損失,(3)知覚的品質を維持しながらサンプリングオーバーヘッドを低減する推論時間枠戦略である。
VBench と VBench2 ベンチマークの実験およびアブレーション実験により,本手法は安定した数段階のビデオ合成を実現し,知覚的忠実度と運動リアリズムを著しく向上させることを示した。
論文 参考訳(メタデータ) (2026-03-23T11:54:33Z) - Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation [73.84423888025171]
オートレグレッシブ(AR)ビデオ拡散は,近年,長大なビデオ生成において有望なパラダイムとして浮上している。
時間的劣化が進行しているため, 生成から微小スケールの地平線への延長は依然として困難であることを示す。
本稿では,AR拡散のための時間記憶機構であるRelax Forcingを紹介する。
論文 参考訳(メタデータ) (2026-03-22T18:59:24Z) - Improving Temporal Consistency and Fidelity at Inference-time in Perceptual Video Restoration by Zero-shot Image-based Diffusion Models [5.61537470581101]
ゼロショット画像ベース拡散モデルを用いたビデオ再生における時間的コヒーレンス向上の課題に対処する。
本稿では,PSG(Perceptual Straightening Guidance)とMPES(Ensemble Sampling)の2つの補完的推論時間戦略を提案する。
論文 参考訳(メタデータ) (2025-10-29T11:40:06Z) - ReDDiT: Rehashing Noise for Discrete Visual Generation [53.813067778912]
離散拡散変圧器(終端型ReDDiT)のためのリハッシングノイズアプローチを提案する。
我々は、吸収状態を拡張し、離散拡散モデルの表現能力を向上させることを目的としている。
実験の結果、ReDDiTはベースラインモデルよりも大幅に優れていた。
論文 参考訳(メタデータ) (2025-05-26T08:17:20Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳(メタデータ) (2023-03-15T16:14:06Z)
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。