論文の概要: Wavelet-Space Representations for Neural Super-Resolution in Rendering Pipelines

• arxiv url: http://arxiv.org/abs/2508.16024v3
• Date: Sat, 20 Sep 2025 13:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.671815
• Title: Wavelet-Space Representations for Neural Super-Resolution in Rendering Pipelines
• Title（参考訳）: レンダリングパイプラインにおけるニューラル超解法のためのウェーブレット空間表現
• Authors: Prateek Poudel, Prashant Aryal, Kirtan Kunwar, Navin Nepal, Dinesh Baniya Kshatri,
• Abstract要約: 本稿では,RGB値を直接回帰するのではなく,定常ウェーブレット係数を予測する定式化を導入する。 ウェーブレットドメイン・ニューラル超解像は、高画質リアルタイムレンダリングへの原則的かつ効率的な経路を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the use of wavelet-space feature decomposition in neural super-resolution for rendering pipelines. Building on recent neural upscaling frameworks, we introduce a formulation that predicts stationary wavelet coefficients rather than directly regressing RGB values. This frequency-aware decomposition separates low- and high-frequency components, enabling sharper texture recovery and reducing blur in challenging regions. Unlike conventional wavelet transforms, our use of the stationary wavelet transform (SWT) preserves spatial alignment across subbands, allowing the network to integrate G-buffer attributes and temporally warped history frames in a shift-invariant manner. The predicted coefficients are recombined through inverse wavelet synthesis, producing resolution-consistent reconstructions across arbitrary scale factors. We conduct extensive evaluations and ablations, showing that incorporating SWT improves both fidelity and perceptual quality with only modest overhead, while remaining compatible with standard rendering architectures. Taken together, our results suggest that wavelet-domain neural super-resolution provides a principled and efficient path toward higher-quality real-time rendering, with broader implications for neural rendering and graphics applications.
• Abstract（参考訳）: 本稿では、ニューラルネットワークの超解像におけるウェーブレット空間の特徴分解の利用について検討する。 近年のニューラルアップスケーリングフレームワークを基盤として,RGB値を直接回帰するのではなく,定常ウェーブレット係数を予測する定式化を導入する。 この周波数認識分解は、低周波成分と高周波成分を分離し、よりシャープなテクスチャ回復と挑戦領域のぼやけを低減する。 従来のウェーブレット変換とは異なり、定常ウェーブレット変換(SWT)はサブバンド間の空間的アライメントを保ち、ネットワークはGバッファ特性と時間的に歪んだ履歴フレームをシフト不変の方法で統合することができる。 予測された係数は、逆ウェーブレット合成によって再結合され、任意のスケール因子間の分解能一貫性を持つ再構成を生成する。 我々は、SWTを組み込むことで、標準レンダリングアーキテクチャとの互換性を維持しつつ、モデムオーバーヘッドだけで、忠実さと知覚品質の両方を改善することを示し、広範囲な評価と改善を行う。 この結果から,ウェーブレット・ドメイン・ニューラル・スーパーレゾリューションは,より高画質なリアルタイムレンダリングへの原則的かつ効率的な経路を提供し,ニューラル・レンダリングやグラフィック・アプリケーションに幅広い意味があることが示唆された。

関連論文リスト

• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• SpINRv2: Implicit Neural Representation for Passband FMCW Radars [0.15193212081459279]
  本研究では,周波数変調連続波レーダを用いた高忠実度ボリューム再構成のためのニューラルネットワークSpINRv2を提案する。 我々のコアコントリビューションは、クローズドフォーム合成を用いて複雑なレーダ応答をキャプチャする、完全微分可能な周波数領域フォワードモデルである。 細かな範囲の解像度で生じる曖昧なサブビンの曖昧さを解消するために、スパーシリティと正規化を導入する。
  論文  参考訳（メタデータ） (2025-06-09T19:21:27Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• SpINR: Neural Volumetric Reconstruction for FMCW Radars [0.15193212081459279]
  本稿では、周波数変調連続波(FMCW)レーダデータを用いたボリューム再構成のための新しいフレームワークSpINRを紹介する。 従来のバックプロジェクション手法や既存の学習ベースアプローチよりも,SpINRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-30T04:44:57Z)
• Dual-domain Modulation Network for Lightweight Image Super-Resolution [26.992373105057684]
  軽量画像超解像(SR)は、低解像度画像から限られた計算コストで高解像度画像を再構成することを目的としている。 既存の周波数ベースSR法では、全体構造と高周波部品の再構築のバランスが取れない。 本稿では,ウェーブレット情報とフーリエ情報の両方を導入することで,コスト削減を図りながら,高周波特徴と全体のSR構造再構築を両立させることができることを示す。
  論文  参考訳（メタデータ） (2025-03-13T04:59:46Z)
• Spatial-Frequency U-Net for Denoising Diffusion Probabilistic Models [89.76587063609806]
  画素空間の代わりにウェーブレット空間における拡散確率モデル(DDPM)を視覚合成のために検討した。 ウェーブレット信号を明示的にモデル化することで、我々のモデルは複数のデータセット上でより高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2023-07-27T06:53:16Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
  提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。 フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。 訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
  論文  参考訳（メタデータ） (2021-06-01T20:34:52Z)

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。