論文の概要: Self-Cascaded Diffusion Models for Arbitrary-Scale Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2506.07813v1
• Date: Mon, 09 Jun 2025 14:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:11.001584
• Title: Self-Cascaded Diffusion Models for Arbitrary-Scale Image Super-Resolution
• Title（参考訳）: 任意スケール超解像に対する自己カスケード拡散モデル
• Authors: Junseo Bang, Joonhee Lee, Kyeonghyun Lee, Haechang Lee, Dong Un Kang, Se Young Chun,
• Abstract要約: 任意スケール画像超解像のための自己カスケード拡散フレームワークCasArbiを提案する。 座標誘導残差拡散モデルにより連続画像表現の学習が可能となる。 私たちの実験では、CasArbiは知覚と歪みの両方のパフォーマンス指標において、先行技術よりも優れています。
• 参考スコア（独自算出の注目度）: 9.322053509028832
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Arbitrary-scale image super-resolution aims to upsample images to any desired resolution, offering greater flexibility than traditional fixed-scale super-resolution. Recent approaches in this domain utilize regression-based or generative models, but many of them are a single-stage upsampling process, which may be challenging to learn across a wide, continuous distribution of scaling factors. Progressive upsampling strategies have shown promise in mitigating this issue, yet their integration with diffusion models for flexible upscaling remains underexplored. Here, we present CasArbi, a novel self-cascaded diffusion framework for arbitrary-scale image super-resolution. CasArbi meets the varying scaling demands by breaking them down into smaller sequential factors and progressively enhancing the image resolution at each step with seamless transitions for arbitrary scales. Our novel coordinate-guided residual diffusion model allows for the learning of continuous image representations while enabling efficient diffusion sampling. Extensive experiments demonstrate that our CasArbi outperforms prior arts in both perceptual and distortion performance metrics across diverse arbitrary-scale super-resolution benchmarks.
• Abstract（参考訳）: 任意スケールの超解像は、任意の解像度に画像をアップサンプルすることを目的としており、従来の固定スケールの超解像よりも高い柔軟性を提供する。 この領域における最近のアプローチは回帰モデルや生成モデルを利用するが、その多くが単一ステージのアップサンプリングプロセスであり、スケーリング要因の広範な連続的な分布を学習することは困難である。 プログレッシブなアップサンプリング戦略はこの問題を緩和する上で有望であるが、フレキシブルアップスケーリングのための拡散モデルとの統合は未定である。 本稿では、任意のスケールの画像超解像のための新しい自己カスケード拡散フレームワークCasArbiを紹介する。 CasArbiは、より小さなシーケンシャルな要素に分割し、任意のスケールでシームレスな遷移で各ステップにおける画像解像度を漸進的に向上することで、さまざまなスケーリング要求を満たす。 我々の新しい座標誘導残差拡散モデルにより、効率的な拡散サンプリングを可能にしながら、連続した画像表現の学習が可能となる。 大規模な実験により、我々のCasArbiは様々な任意のスケールの超高解像度ベンチマークにおいて、知覚的および歪みパフォーマンスの指標において、先行技術よりも優れていたことが証明された。

関連論文リスト

• DiffuseHigh: Training-free Progressive High-Resolution Image Synthesis through Structure Guidance [11.44012694656102]
  テキストから画像への拡散モデルのような大規模生成モデルは、様々な領域で広く注目を集めている。 既存の大規模拡散モデルでは、最大1K解像度の画像を生成できる。 本稿では,高分解能画像の生成を導くために,生成した低分解能画像を完全に活用する新しいプログレッシブアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-26T16:10:31Z)
• FouriScale: A Frequency Perspective on Training-Free High-Resolution Image Synthesis [48.9652334528436]
  本稿では、周波数領域解析の観点から、FouriScaleの革新的な学習不要アプローチを紹介する。 従来の拡散モデルの畳み込み層を,低域演算とともに拡張手法を組み込むことで置き換える。 提案手法は, 生成画像の構造的整合性と忠実度をバランスさせ, 任意のサイズ, 高解像度, 高品質な生成の驚くべき能力を実現する。
  論文  参考訳（メタデータ） (2024-03-19T17:59:33Z)
• 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)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
  本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。 スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
  論文  参考訳（メタデータ） (2023-03-29T07:02:20Z)
• Towards Bidirectional Arbitrary Image Rescaling: Joint Optimization and Cycle Idempotence [76.93002743194974]
  本稿では、任意の再スケーリング(アップスケーリングとダウンスケーリングの両方)を統一プロセスとして扱う方法を提案する。 提案モデルでは、アップスケーリングとダウンスケーリングを同時に学習し、双方向の任意のイメージ再スケーリングを実現する。 繰り返しにダウンスケーリング・アップスケーリング・サイクルが適用された場合, 復元精度が著しく低下することなく, サイクルイデオポテンス試験において堅牢であることが確認された。
  論文  参考訳（メタデータ） (2022-03-02T07:42:15Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。