論文の概要: Blind Super Resolution with Reference Images and Implicit Degradation Representation

• arxiv url: http://arxiv.org/abs/2507.13915v1
• Date: Fri, 18 Jul 2025 13:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.300628
• Title: Blind Super Resolution with Reference Images and Implicit Degradation Representation
• Title（参考訳）: 参照画像を用いたブラインド超解像とインプシット劣化表現
• Authors: Huu-Phu Do, Po-Chih Hu, Hao-Chien Hsueh, Che-Kai Liu, Vu-Hoang Tran, Ching-Chun Huang,
• Abstract要約: 劣化カーネルは、分解プロセスだけでなく、スケールの低下要因も考慮すべきである。 様々な超解像スケールで同じ分解カーネルを適用することは現実的ではないかもしれない。 本研究は,BSRタスクにおいて,劣化カーネルとスケーリング要因を重要な要素として認めている。
• 参考スコア（独自算出の注目度）: 5.34372866210952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous studies in blind super-resolution (BSR) have primarily concentrated on estimating degradation kernels directly from low-resolution (LR) inputs to enhance super-resolution. However, these degradation kernels, which model the transition from a high-resolution (HR) image to its LR version, should account for not only the degradation process but also the downscaling factor. Applying the same degradation kernel across varying super-resolution scales may be impractical. Our research acknowledges degradation kernels and scaling factors as pivotal elements for the BSR task and introduces a novel strategy that utilizes HR images as references to establish scale-aware degradation kernels. By employing content-irrelevant HR reference images alongside the target LR image, our model adaptively discerns the degradation process. It is then applied to generate additional LR-HR pairs through down-sampling the HR reference images, which are keys to improving the SR performance. Our reference-based training procedure is applicable to proficiently trained blind SR models and zero-shot blind SR methods, consistently outperforming previous methods in both scenarios. This dual consideration of blur kernels and scaling factors, coupled with the use of a reference image, contributes to the effectiveness of our approach in blind super-resolution tasks.
• Abstract（参考訳）: ブラインド超解像(BSR)の研究は、主に低分解能(LR)入力から直接劣化カーネルを推定し、超解像を高めることに集中している。 しかし、高分解能(HR)画像からLRバージョンへの移行をモデル化したこれらの分解カーネルは、分解過程だけでなく、ダウンスケーリング要因も考慮すべきである。 様々な超解像スケールで同じ分解カーネルを適用することは現実的ではないかもしれない。 本研究は,BSRタスクの重要要素として分解カーネルとスケーリングファクタを認め,HRイメージを参照として活用してスケールアウェアな劣化カーネルを構築する新しい戦略を提案する。 対象のLR画像とともに、内容非関連のHR参照画像を用いることで、本モデルは劣化過程を適応的に判別する。 次に、SR性能向上の鍵となるHR参照画像をダウンサンプリングすることで、追加のLR-HRペアを生成する。 我々の参照ベーストレーニング手順は、熟練訓練されたブラインドSRモデルとゼロショットブラインドSR手法に適用可能であり、両方のシナリオにおいて従来手法よりも一貫して優れている。 このぼやけたカーネルとスケーリング係数の二重考慮は、参照画像の使用と相まって、盲点超解像タスクにおける我々のアプローチの有効性に寄与する。

関連論文リスト

• Learning Correction Errors via Frequency-Self Attention for Blind Image Super-Resolution [1.734165485480267]
  我々は,LCE(Learning Correction Errors)に着目した新しいブラインドSR手法を提案する。 SRネットワーク内では、元のLR画像とCLR画像の周波数学習の両方を利用して、SR性能を協調的に最適化する。 提案手法は,劣化推定と補正誤差に関連する課題を効果的に解決し,より正確なブラインド画像SRへの道を開く。
  論文  参考訳（メタデータ） (2024-03-12T07:58:14Z)
• Kernelized Back-Projection Networks for Blind Super Resolution [14.422263486129811]
  超分解能(SR)は、任意の劣化によって劣化した低分解能(LR)画像の超分解に失敗する。 本稿では, ブラインドSRの劣化モデルに比較して, ブラインドカーネルを用いて訓練した非ブラインドSRは, ブラインドSRの劣化モデルと同等の性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-02-16T18:35:39Z)
• Real Image Super-Resolution using GAN through modeling of LR and HR process [20.537597542144916]
  LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。 定量的および定性的な実験において提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T09:23:37Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Kernel-aware Raw Burst Blind Super-Resolution [0.0]
  バースト超解像(SR)は、低画質の画像からリッチな詳細を復元する可能性を提供する。 既存の非盲点ネットワークは、高解像度(HR)画像の復元において、パフォーマンスが著しく低下する。 本稿では,カーネル対応の変形可能なアライメントモジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T11:49:13Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
  超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。 既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。 本稿では,C2-Matchingを提案する。
  論文  参考訳（メタデータ） (2021-06-03T16:40:36Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)
• 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)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。