Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Cet article présente une nouvelle méthode de restauration d'images intégrée, une tâche importante en vision de bas niveau. Les méthodes existantes sont soit spécifiques à une tâche et ont une capacité de généralisation limitée à divers types de corruptions, soit souffrent de contraintes d'ensemble fermé car elles sont entraînées sur des jeux de données appariés. Pour remédier à ce problème, nous proposons une approche intégrée sans jeu de données utilisant l'échantillonnage postérieur récursif avec des modèles de diffusion latente pré-entraînés. La méthode intègre des modèles de compréhension multimodaux pour fournir des informations a priori sémantiques aux modèles génératifs dans des conditions indépendantes de la tâche, utilise des modules légers pour aligner les entrées corrompues sur les préférences génératives du modèle de diffusion, et utilise un raffinement récursif pour l'échantillonnage postérieur. Des expériences approfondies démontrent que la méthode proposée surpasse les méthodes de pointe, validant ainsi son efficacité et sa robustesse. Le code et les données seront disponibles à l'adresse https://github.com/AMAP-ML/LD-RPS .
