Fugu-MT 論文翻訳(概要): Trustworthy Image Super-Resolution via Generative Pseudoinverse

論文の概要: Trustworthy Image Super-Resolution via Generative Pseudoinverse

arxiv url: http://arxiv.org/abs/2505.12375v1
Date: Sun, 18 May 2025 11:37:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-20 14:57:11.199073
Title: Trustworthy Image Super-Resolution via Generative Pseudoinverse
Title（参考訳）: 生成擬似逆解析による画像超解像
Authors: Andreas Floros, Seyed-Mohsen Moosavi-Dezfooli, Pier Luigi Dragotti,
Abstract要約: 本稿では,従来の密度よりも制約付き最適化という形で,信頼性の高い画像復元の問題を考察する。劣化過程を反映した画像超解像処理のための生成モデルを開発した。
参考スコア（独自算出の注目度）: 29.744990195972587
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of trustworthy image restoration, taking the form of a constrained optimization over the prior density. To this end, we develop generative models for the task of image super-resolution that respect the degradation process and that can be made asymptotically consistent with the low-resolution measurements, outperforming existing methods by a large margin in that respect.
Abstract（参考訳）: 本稿では,従来の密度よりも制約付き最適化という形で,信頼性の高い画像復元の問題を考察する。そこで本研究では,分解過程を考慮し,低分解能の測定値と漸近的に一致させることができる画像超解像処理のための生成モデルを開発し,その点で既存の手法よりも優れることを示す。

関連論文リスト

ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文参考訳（メタデータ） (2023-07-03T06:49:04Z)
Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
論文参考訳（メタデータ） (2023-05-11T17:55:25Z)
Multi-Modality Image Super-Resolution using Generative Adversarial Networks [0.0]
画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
論文参考訳（メタデータ） (2022-06-18T12:19:31Z)
Diverse super-resolution with pretrained deep hiererarchical VAEs [6.257821009472099]
画像超解像問題に対する多種多様な解を生成する問題について検討する。我々は、事前訓練されたHVAEの潜在空間における低解像度画像を符号化する軽量エンコーダを訓練する。推論では,低解像度エンコーダと事前学習した生成モデルを組み合わせて画像の超解像を行う。
論文参考訳（メタデータ） (2022-05-20T17:57:41Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
Perceptual Image Restoration with High-Quality Priori and Degradation Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文参考訳（メタデータ） (2021-03-04T13:19:50Z)
Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文参考訳（メタデータ） (2020-05-12T09:55:53Z)
PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-03-08T16:44:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。