論文の概要: Ultra-High-Definition Reference-Based Landmark Image Super-Resolution with Generative Diffusion Prior

• arxiv url: http://arxiv.org/abs/2508.10779v1
• Date: Thu, 14 Aug 2025 16:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.39718
• Title: Ultra-High-Definition Reference-Based Landmark Image Super-Resolution with Generative Diffusion Prior
• Title（参考訳）: 生成拡散前における超高精細参照型ランドマーク画像の超解像化
• Authors: Zhenning Shi, Zizheng Yan, Yuhang Yu, Clara Xue, Jingyu Zhuang, Qi Zhang, Jinwei Chen, Tao Li, Qingnan Fan,
• Abstract要約: RefSRは、追加の参照高解像度(参照HR)画像から意味情報とテクスチャ情報を活用することで、低解像度(LR)画像を復元することを目的としている。 既存の拡散ベースのRefSRメソッドは通常、ControlNet上に構築されている。 本稿では、LR画像と基準HR画像とのパターンマッチングを明示的に実現する新しいフレームワークであるTriFlowSRを提案する。
• 参考スコア（独自算出の注目度）: 16.01061302804634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reference-based Image Super-Resolution (RefSR) aims to restore a low-resolution (LR) image by utilizing the semantic and texture information from an additional reference high-resolution (reference HR) image. Existing diffusion-based RefSR methods are typically built upon ControlNet, which struggles to effectively align the information between the LR image and the reference HR image. Moreover, current RefSR datasets suffer from limited resolution and poor image quality, resulting in the reference images lacking sufficient fine-grained details to support high-quality restoration. To overcome the limitations above, we propose TriFlowSR, a novel framework that explicitly achieves pattern matching between the LR image and the reference HR image. Meanwhile, we introduce Landmark-4K, the first RefSR dataset for Ultra-High-Definition (UHD) landmark scenarios. Considering the UHD scenarios with real-world degradation, in TriFlowSR, we design a Reference Matching Strategy to effectively match the LR image with the reference HR image. Experimental results show that our approach can better utilize the semantic and texture information of the reference HR image compared to previous methods. To the best of our knowledge, we propose the first diffusion-based RefSR pipeline for ultra-high definition landmark scenarios under real-world degradation. Our code and model will be available at https://github.com/nkicsl/TriFlowSR.
• Abstract（参考訳）: RefSR(Reference-based Image Super-Resolution)は、参照高解像度(Reference HR)画像からのセマンティック情報とテクスチャ情報を活用することで、低解像度(LR)画像を復元することを目的としている。 既存の拡散型RefSR法は一般的にコントロールネット上に構築されており、LR画像と基準HR画像との情報を効果的に整合させるのに苦労している。 さらに、現在のRefSRデータセットは解像度の制限と画質の低下に悩まされており、高品質の復元をサポートするのに十分な微細な詳細が不足している。 上記の制限を克服するために,LR画像と基準HR画像とのパターンマッチングを明示的に実現する新しいフレームワークであるTriFlowSRを提案する。 一方、Landmark-4KはUHD(Ultra-High-Definition)ランドマークシナリオのための最初のRefSRデータセットである。 実世界の劣化を伴うUHDシナリオを考えると、TriFlowSRでは、LR画像と基準HR画像とを効果的にマッチングする参照マッチング戦略を設計する。 実験結果から,提案手法は従来の手法と比較して,基準HR画像のセマンティック・テクスチャ情報をより有効に活用できることが示唆された。 我々の知る限り、現実の劣化下での超高定義のランドマークシナリオに対して、拡散に基づく最初のRefSRパイプラインを提案する。 私たちのコードとモデルはhttps://github.com/nkicsl/TriFlowSR.comで公開されます。

関連論文リスト

• RASR: Retrieval-Augmented Super Resolution for Practical Reference-based Image Restoration [41.50858324338511]
  RefSRは、高品質な参照画像を活用して、テクスチャの忠実さと視覚リアリズムを高めることで、Single Image Super Resolution (SISR)を改善している。 既存のRefSRアプローチは、手動でキュレートされたターゲット参照イメージペアに依存している。 Retrieval-Augmented Super Resolution (RASR) は参照データベースから意味論的に関連する高解像度画像を自動的に抽出する新しい実用的なRefSRパラダイムである。
  論文  参考訳（メタデータ） (2025-08-13T03:05:20Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Detail-Enhancing Framework for Reference-Based Image Super-Resolution [8.899312174844725]
  参照型超解像のためのDEF(Detail-Enhancing Framework)を提案する。 提案手法は,比較した数値結果を維持しながら,優れた視覚的結果が得られる。
  論文  参考訳（メタデータ） (2024-05-01T10:27:22Z)
• A Feature Reuse Framework with Texture-adaptive Aggregation for Reference-based Super-Resolution [29.57364804554312]
  参照ベース超解像(RefSR)は超解像の分野で大きな成功を収めている。 本稿では,ステップバイステップのテクスチャ再構築プロセスをガイドする機能再利用フレームワークを提案する。 単一画像特徴埋め込みモジュールとテクスチャ適応アグリゲーションモジュールを導入する。
  論文  参考訳（メタデータ） (2023-06-02T12:49:22Z)
• SRTGAN: Triplet Loss based Generative Adversarial Network for Real-World Super-Resolution [13.897062992922029]
  SISR(Single Image Super-Resolution)と呼ばれる別のソリューションは、低解像度(LR)画像を取得し、HR画像を取得することを目的としたソフトウェア駆動のアプローチである。 我々は、LR画像に提供される情報を負のサンプルとして利用することで、新たな三重項に基づく対向損失関数を導入する。 本稿では, 対向的損失, 内容的損失, 知覚的損失, 品質的損失を融合させて, 知覚的忠実度の高い超解像を得る。
  論文  参考訳（メタデータ） (2022-11-22T11:17:07Z)
• RZSR: Reference-based Zero-Shot Super-Resolution with Depth Guided Self-Exemplars [20.771851470271777]
  低分解能(LR)画像から高分解能(HR)画像を生成する上で,SISRは優れた性能を示した。 参照ベースゼロショットSR(RZSR)と呼ばれる統合解を提案する。
  論文  参考訳（メタデータ） (2022-08-24T05:48:17Z)
• Reference-based Image Super-Resolution with Deformable Attention Transformer [62.71769634254654]
  RefSRは、補助参照(Ref)画像を超解像低解像度(LR)画像に活用することを目的としている。 本稿では,複数のスケールを持つ変形可能なアテンション変換器,すなわちDATSRを提案する。 DATSRがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-07-25T07:07:00Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
  本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。 提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。 空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
  論文  参考訳（メタデータ） (2021-06-04T07:15:32Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)
• 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。

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。