Core Concepts
拡散モデルを画像ノイズ除去に適用するための新しい戦略を提案する。適応的な埋め込み手法と適応的な集合化手法を導入することで、知覚品質と歪みの両方を大幅に改善できる。
Abstract
本論文は、画像ノイズ除去のための新しい戦略を提案している。従来の手法は知覚品質と歪みのトレードオフに苦しんでいたが、本手法は以下の2つの方法により、この問題を解決している。
適応的な埋め込み手法:
拡散モデルは標準ガウシアンノイズを入力として想定しているが、画像ノイズ除去では雑音のある画像が入力となる。
提案手法では、入力画像をあらかじめ学習済みの無条件拡散モデルの中間状態に適応的に埋め込むことで、この入力の不整合を解決する。
適応的な集合化手法:
拡散モデルは高い知覚品質を保つが、生成された画像と目的の除去画像の内容の違いから歪みが生じる。
提案手法では、サンプリング回数を調整し、複数回の推論結果を平均化することで、歪みを低減する。
これらの手法により、提案手法は歪みベースと知覚ベースの両指標で最先端の性能を達成している。特に高ノイズ環境下での優位性が顕著である。
Stats
標準偏差が255を大幅に超えるノイズレベルにおいても有効である。従来手法では未探索の領域だった。
提案手法は、歪みベースの指標(PSNR、SSIM)と知覚ベースの指標(LPIPS)の両方で最先端の性能を示している。
Quotes
"拡散モデルを画像ノイズ除去に適用するのは簡単ではない。入力の不整合と内容の不整合という重要な問題を解決する必要がある。"
"提案手法の適応的な埋め込み手法と適応的な集合化手法により、知覚品質と歪みの両方を大幅に改善できる。"