epsilon 以内の入力摂動が出力に与える影響を高々
epsilon$ に抑えることを保証します。一方で、DnCNN や Restormer のような強力なベースラインは、同じ摂動に対してより大きな偏差を示し得ます。画像のデノイズにおいて、提案モデルは制約のない SOTA のデノイザと競争力があり、証明可能な 1-Lipschitz モデルに対して最も狭いギャップを報告するとともに、そのようなギャップが収縮性のデノイザによって実際に達成可能であることを示します。さらに、提案するデノイザは、Plug-and-Play アルゴリズムにおいて収束を（理論的に）確実に実現する、強力な画像復元用の正則化器として機能します。私たちの結果は、厳密な Lipschitz 制御を課しても本質的に出力品質が劣化しないことを示し、文献中に広くある仮定に挑戦するとともに、検証可能で安定な視覚モデルへと分野を前進させます。コードおよび事前学習済みモデルは https://github.com/SHUBHI1553/Contractive-Denoisers で利用可能です
収束型復元のための、証明可能に収縮する高品質デノイザー
arXiv cs.CV / 2026/3/30
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、最新の画像復元ネットワークにおける安定性と頑健性の不足に取り組む。これらのネットワークは、微小な入力擾乱に対して頑健性の精度を犠牲にしうる一方、最先端品質には到達してしまうという問題がある。
- 全体（グローバル）リプシッツ定数が 1 未満となる、証明可能に収縮するデノイザーネットワークを提案する。これにより、入力の有界な摂動は出力の変化を高々比例的（≤ ε）にしか引き起こさないことが保証される。
- 本手法は、アンフォールディング（展開）技法から得られる近接（proximal）層を用いてデノイザーを構築し、さらにリプシッツ制御された畳み込みによる洗練（refinement）を組み合わせることで、理論的な頑健性保証を実現する。
- 画像デノイジングに関する実験では、制約なしのSOTAデノイザーに対して競争力があることを示す。特に、証明可能な 1-リプシッツモデルに関してこれまで報告されている中で最もギャップが狭い結果を含み、そのようなギャップが収縮設計によって達成可能であるというエビデンスも示される。
- 著者らは、これらのデノイザーが、Plug-and-Play 復元アルゴリズムに用いることで、収束を証明可能に保証する強力な正則化（regularizer）としても機能すると主張し、コードと学習済みモデルを公開している。
