論文の概要: TinySR: Pruning Diffusion for Real-World Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2508.17434v1
• Date: Sun, 24 Aug 2025 16:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.520976
• Title: TinySR: Pruning Diffusion for Real-World Image Super-Resolution
• Title（参考訳）: TinySR: リアルタイム画像の超解像のための拡散処理
• Authors: Linwei Dong, Qingnan Fan, Yuhang Yu, Qi Zhang, Jinwei Chen, Yawei Luo, Changqing Zou,
• Abstract要約: 本稿では,Real-ISR用に設計されたコンパクトで効果的な拡散モデルTinySRを提案する。 TinySRは計算コストとモデルサイズを大幅に削減し、5.68倍の高速化と83%のパラメータ削減を実現した。
• 参考スコア（独自算出の注目度）: 35.07163534857897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world image super-resolution (Real-ISR) focuses on recovering high-quality images from low-resolution inputs that suffer from complex degradations like noise, blur, and compression. Recently, diffusion models (DMs) have shown great potential in this area by leveraging strong generative priors to restore fine details. However, their iterative denoising process incurs high computational overhead, posing challenges for real-time applications. Although one-step distillation methods, such as OSEDiff and TSD-SR, offer faster inference, they remain fundamentally constrained by their large, over-parameterized model architectures. In this work, we present TinySR, a compact yet effective diffusion model specifically designed for Real-ISR that achieves real-time performance while maintaining perceptual quality. We introduce a Dynamic Inter-block Activation and an Expansion-Corrosion Strategy to facilitate more effective decision-making in depth pruning. We achieve VAE compression through channel pruning, attention removal and lightweight SepConv. We eliminate time- and prompt-related modules and perform pre-caching techniques to further speed up the model. TinySR significantly reduces computational cost and model size, achieving up to 5.68x speedup and 83% parameter reduction compared to its teacher TSD-SR, while still providing high quality results.
• Abstract（参考訳）: リアルワールド・イメージ・スーパーレゾリューション(Real-ISR)は、ノイズ、ぼかし、圧縮といった複雑な劣化に苦しむ低解像度の入力から高品質な画像を復元することに焦点を当てている。 近年, 拡散モデル (DM) は, 細部を復元するために, 強力な生成前駆体を活用することで, この分野に大きな可能性を示している。 しかし、反復的なデノゲーションプロセスは高い計算オーバーヘッドを発生させ、リアルタイムアプリケーションに課題を提起する。 OSEDiff や TSD-SR のような一段階の蒸留法は推論を高速化するが、大きな過度なモデルアーキテクチャによって基本的に制約される。 本稿では,リアルタイム性能を実現し,知覚品質を維持しつつ,リアルタイム性能を実現するために設計された,コンパクトで効果的な拡散モデルTinySRを提案する。 本研究では, 動的ブロック間活性化と拡張腐食戦略を導入し, 深部刈り込みにおけるより効果的な意思決定を容易にする。 チャネルプルーニング,アテンション除去,軽量なSepConvによるVAE圧縮を実現する。 我々は時間とプロンプトに関連するモジュールを排除し、モデルをさらに高速化するためにプレキャッシュ技術を実行します。 TinySRは計算コストとモデルサイズを大幅に削減し、教師のTSD-SRと比較して最大5.68倍の高速化と83%のパラメータ削減を実現した。

関連論文リスト

• ZipIR: Latent Pyramid Diffusion Transformer for High-Resolution Image Restoration [75.0053551643052]
  本稿では、高解像度画像復元のための効率性、スケーラビリティ、長距離モデリングを向上する新しいフレームワークZipIRを紹介する。 ZipIRは画像32xを圧縮する高度に圧縮された潜在表現を使用し、空間トークンの数を効果的に削減する。 ZipIRは既存の拡散ベースの手法を超越し、高度に劣化した入力からの高解像度画像の復元において、未整合の速度と品質を提供する。
  論文  参考訳（メタデータ） (2025-04-11T14:49:52Z)
• TSD-SR: One-Step Diffusion with Target Score Distillation for Real-World Image Super-Resolution [25.994093587158808]
  事前訓練されたテキスト-画像拡散モデルが、現実の画像超解像(Real-ISR)タスクにますます応用されている。 拡散モデルの反復的洗練された性質を考えると、既存のアプローチのほとんどは計算的に高価である。 実世界の超高解像度画像に特化して設計された新しい蒸留フレームワークであるTLD-SRを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:01:08Z)
• Adversarial Diffusion Compression for Real-World Image Super-Resolution [16.496532580598007]
  現実世界の超解像は、劣化した低分解能入力から高分解能画像を再構成することを目的としている。 OSEDiffやS3Diffのような一段階拡散ネットワークはこの問題を緩和するが、それでも高い計算コストがかかる。 本稿では,一段階拡散ネットワークOSEDiffを流線形拡散GANモデルに蒸留することにより,新しいリアルISR法AdcSRを提案する。
  論文  参考訳（メタデータ） (2024-11-20T15:13:36Z)
• ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting [70.83632337581034]
  拡散に基づく画像超解像法(SR)は主に低推論速度によって制限される。 本稿では,SRの拡散段数を大幅に削減する新しい,効率的な拡散モデルを提案する。 本手法は,残差をシフトすることで高分解能画像と低分解能画像の間を移動させるマルコフ連鎖を構成する。
  論文  参考訳（メタデータ） (2023-07-23T15:10:02Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)

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。