確率過程を統一的に扱う深層手法：画像強調のための枠組み

要旨: 深い確率過程は、画像強調のための中心的なパラダイムとして近年注目を集めており、多くの手法は劣化入力に基づいて確率的軌道を明示的に条件付けしています。しかし、これらの条件付き過程と標準的な拡散モデルとの関係は、いまだ不明確です。本研究では、連続時間の確率過程として最近の手法を3つの系統に分類することで、確率的な画像強調に対する統一的な視点を導入します。それらは、無条件拡散モデル、オーンシュタイン＝ユーーレンベック（OU）過程、そして拡散ブリッジです。これらのアプローチはいずれも、共通の確率微分方程式（SDE）の定式化から生じることを示します。この枠組みにより、見かけ上は異なる手法が主に、ドリフト項と拡散項、終端分布、境界条件の違いとして異なる一方で、スケジューラとサンプラは直交する設計選択であることが明確になります。この統一に基づき、同一のアーキテクチャと学習プロトコルを用いて、複数の画像強調タスクにまたがる統制された実証研究を行います。その結果、常に一貫して優位な手法は見られません。代わりに、性能に最も強く影響する具体的な設計選択を特定し、分解して明らかにします。最後に、統一された枠組みを実装し、確率的画像強調手法の迅速なプロトタイピングと公正な比較を可能にする、モジュール化されたPyTorchライブラリItoVisionを公開します。