拡散回復モデルの雑音除去【JST・京大機械翻訳】

Kawar Bahjat; Elad Michael; Ermon Stefano; Song Jiaming

プレプリント

J-GLOBAL ID：202202211705167325 整理番号：22P0280953

拡散回復モデルの雑音除去【JST・京大機械翻訳】

Denoising Diffusion Restoration Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月27日プレプリントサーバーでの情報更新日： 2022年10月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

画像復元における多くの興味深いタスクは線形逆問題としてキャストできる。これらの問題を解決するためのアプローチの最近のファミリーは,測定を与える自然画像の事後分布からサンプリングする確率アルゴリズムを使用する。しかし,効率的な解は,しばしば,事後のモデルに対する問題固有の教師つき訓練を必要とし,一方,問題特異性のない教師なし方法は,通常,非効率的な反復方法に依存する。本研究は,効率的,教師なし事後サンプリング法,雑音除去拡散復元モデル(DDRM)を導入することによって,これらの問題を扱う。変分推論により動機づけられて,DDRMは,任意の線形逆問題を解くための事前訓練雑音除去拡散生成モデルを利用する。様々な量の測定ノイズの下で,超解像度,ぼけ,修復,およびカラー化のためのいくつかの画像データセットに関するDDRMの汎用性を実証した。DDRMは,再構成品質,知覚品質,および実行時間における多様なImageNetデータセットに関する現在の主導教師なし方式よりも優れており,最も近い競争者よりも5x高速である。また,DDRMは,観察された画像Net訓練集合の分布から自然画像に対してよく一般化する。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

図形・画像処理一般

, , ,

前のページに戻る