論文の概要: Depth-Aware Super-Resolution via Distance-Adaptive Variational Formulation

• arxiv url: http://arxiv.org/abs/2509.05746v1
• Date: Sat, 06 Sep 2025 15:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.685869
• Title: Depth-Aware Super-Resolution via Distance-Adaptive Variational Formulation
• Title（参考訳）: 距離適応変分式による深度認識超解法
• Authors: Tianhao Guo, Bingjie Lu, Feng Wang, Zhengyang Lu,
• Abstract要約: 単一画像超解像は伝統的に空間的不変な劣化モデルを想定している。 実世界のイメージングシステムは、大気散乱、深度の変化、視点歪みなどの複雑な距離依存効果を示す。 空間的に変化する逆問題として超解像を特徴付ける厳密な変分フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.1767204510818985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single image super-resolution traditionally assumes spatially-invariant degradation models, yet real-world imaging systems exhibit complex distance-dependent effects including atmospheric scattering, depth-of-field variations, and perspective distortions. This fundamental limitation necessitates spatially-adaptive reconstruction strategies that explicitly incorporate geometric scene understanding for optimal performance. We propose a rigorous variational framework that characterizes super-resolution as a spatially-varying inverse problem, formulating the degradation operator as a pseudodifferential operator with distance-dependent spectral characteristics that enable theoretical analysis of reconstruction limits across depth ranges. Our neural architecture implements discrete gradient flow dynamics through cascaded residual blocks with depth-conditional convolution kernels, ensuring convergence to stationary points of the theoretical energy functional while incorporating learned distance-adaptive regularization terms that dynamically adjust smoothness constraints based on local geometric structure. Spectral constraints derived from atmospheric scattering theory prevent bandwidth violations and noise amplification in far-field regions, while adaptive kernel generation networks learn continuous mappings from depth to reconstruction filters. Comprehensive evaluation across five benchmark datasets demonstrates state-of-the-art performance, achieving 36.89/0.9516 and 30.54/0.8721 PSNR/SSIM at 2 and 4 scales on KITTI outdoor scenes, outperforming existing methods by 0.44dB and 0.36dB respectively. This work establishes the first theoretically-grounded distance-adaptive super-resolution framework and demonstrates significant improvements on depth-variant scenarios while maintaining competitive performance across traditional benchmarks.
• Abstract（参考訳）: 単一画像の超解像は伝統的に空間的に不変な劣化モデルを想定しているが、実世界のイメージングシステムは大気の散乱、深度の変化、視点歪みなどの複雑な距離依存効果を示す。 この基本的な制限は、最適性能のために幾何学的シーン理解を明示的に組み込んだ空間適応型再構築戦略を必要とする。 本稿では,超解像を空間的に異なる逆問題として特徴づける厳密な変分フレームワークを提案し,分解演算子を距離依存スペクトル特性を持つ擬微分演算子として定式化し,深度範囲にわたる再構成限界の理論解析を可能にする。 ニューラルネットワークは, 局所幾何学的構造に基づく滑らか性制約を動的に調整する学習された距離適応正規化項を取り入れつつ, 理論エネルギー関数の定常点への収束を確保する。 大気散乱理論から導かれるスペクトル制約は、遠距離領域における帯域幅違反やノイズ増幅を防止し、適応的なカーネル生成ネットワークは深さから再構成フィルタまで連続写像を学習する。 5つのベンチマークデータセットの総合評価では、36.89/0.9516と30.54/0.8721 PSNR/SSIMを2スケール、4スケールで達成し、既存の手法を0.44dB、0.36dBで上回った。 この研究は、理論上は初めての距離適応型超解像フレームワークを確立し、従来のベンチマーク間での競合性能を維持しながら、深度変動シナリオの大幅な改善を示す。

関連論文リスト

• Multi-Sample Anti-Aliasing and Constrained Optimization for 3D Gaussian Splatting [6.336372495476242]
  本稿では,マルチサンプル・アンチエイリアスと2つの幾何学的制約を組み合わせた総合最適化フレームワークを提案する。 本システムでは,4重サブサンプルの適応ブレンディングにより画素色を計算し,高周波成分のエイリアスを効果的に低減する。 本手法は,特に高周波テクスチャと鋭い不連続の保存において,詳細な保存における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-14T10:14:36Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• HiNeuS: High-fidelity Neural Surface Mitigating Low-texture and Reflective Ambiguity [8.74691272469226]
  HiNeuSは、既存のアプローチにおける3つの中核的な制限に、一貫したフレームワークである。 1) SDF誘導線トレーシングによる微分可視性検証, 2) レイアライン幾何パッチによる平面コンフォーマルな正規化, 3) 局所勾配に基づく幾何的制約を動的に調節する物理的に接地されたアイコン緩和。
  論文  参考訳（メタデータ） (2025-06-30T13:45:25Z)
• Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
  我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-06-10T16:48:27Z)
• Topology-Aware 3D Gaussian Splatting: Leveraging Persistent Homology for Optimized Structural Integrity [3.792470553976718]
  本研究はトポロジーを意識した3次元ガウス散乱(トポロジー-GS)を紹介する。 トポロジー-GSは、不完全な初期幾何学的カバレッジのためにピクセルレベルの構造的整合性を損なう。 3つの新しいビューベンチマーク実験により、PSNR、SSIM、LPIPSの指標で、Topology-GSが既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-21T13:25:03Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)

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。