論文の概要: Your Super Resolution Model is not Enough for Tackling Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2509.06387v1
• Date: Mon, 08 Sep 2025 07:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.998164
• Title: Your Super Resolution Model is not Enough for Tackling Real-World Scenarios
• Title（参考訳）: スーパーレゾリューションモデルは現実世界のシナリオに対処するには不十分
• Authors: Dongsik Yoon, Jongeun Kim,
• Abstract要約: 本稿では,任意の規模のSRを動作させる機能を備えた,最新の固定スケールSRモデルに適合する,SAAM (Scale-Aware Attention Module) を提案する。 SAAMは軽量でスケール適応的な特徴抽出とアップサンプリングを採用し、効率的なガイダンスと勾配分散損失にSimpleパラメータフリーアテンションモジュール(SimAM)を組み込んでいる。 提案手法は,複数の最先端SRバックボーンにシームレスに統合され,幅広い整数および非整数スケール因子の競合や優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 2.101267270902429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite remarkable progress in Single Image Super-Resolution (SISR), traditional models often struggle to generalize across varying scale factors, limiting their real-world applicability. To address this, we propose a plug-in Scale-Aware Attention Module (SAAM) designed to retrofit modern fixed-scale SR models with the ability to perform arbitrary-scale SR. SAAM employs lightweight, scale-adaptive feature extraction and upsampling, incorporating the Simple parameter-free Attention Module (SimAM) for efficient guidance and gradient variance loss to enhance sharpness in image details. Our method integrates seamlessly into multiple state-of-the-art SR backbones (e.g., SCNet, HiT-SR, OverNet), delivering competitive or superior performance across a wide range of integer and non-integer scale factors. Extensive experiments on benchmark datasets demonstrate that our approach enables robust multi-scale upscaling with minimal computational overhead, offering a practical solution for real-world scenarios.
• Abstract（参考訳）: SISR(Single Image Super-Resolution)の顕著な進歩にもかかわらず、従来のモデルは様々なスケール要因にまたがる一般化に苦慮し、現実の応用性を制限している。 そこで本研究では,任意の規模のSRを動作させる機能を備えた,最新の固定スケールSRモデルに適合する,SAAM (Scale-Aware Attention Module) を提案する。 SAAMは軽量でスケール適応的な特徴抽出とアップサンプリングを採用し、画像詳細のシャープネスを高めるため、効率的なガイダンスと勾配分散損失のためにSimple parameter-free Attention Module (SimAM)を組み込んだ。 提案手法は,複数の最先端SRバックボーン(SCNet,HiT-SR,OverNetなど)にシームレスに統合し,幅広い整数および非整数スケール因子の競合や優れた性能を実現する。 ベンチマークデータセットの大規模な実験により、我々のアプローチは、計算オーバーヘッドを最小限に抑えながら、堅牢なマルチスケールのスケールアップを可能にし、現実のシナリオに実用的なソリューションを提供することを示した。

関連論文リスト

• Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment [51.99765487172328]
  CoZ(Chain-of-zoom)は、SISRをマルチスケール対応プロンプトを備えた中間スケールステートの連鎖に分解するフレームワークである。 視覚的手がかりは高倍率で減少するため、視覚言語モデル(VLM)によって生成されたマルチスケール対応テキストプロンプトで各ズームステップを拡大する。 実験により、CoZでラップされた標準4x拡散SRモデルが256倍拡大し、高い知覚品質と忠実度が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-24T08:50:08Z)
• AdaptSR: Low-Rank Adaptation for Efficient and Scalable Real-World Super-Resolution [50.584551250242235]
  AdaptSRは、現実世界のタスクにバイキュービックトレーニングされたSRモデルを効率的に再利用する低ランク適応フレームワークである。 実験の結果,AdaptSRはPSNRで最大4dB,実際のSRベンチマークで2%,GAN法と拡散型SR法より優れていた。
  論文  参考訳（メタデータ） (2025-03-10T18:03:18Z)
• $\text{S}^{3}$Mamba: Arbitrary-Scale Super-Resolution via Scaleable State Space Model [45.65903826290642]
  ASSRは、1つのモデルを用いて、任意のスケールで低解像度画像を高解像度画像に超解き放つことを目的としている。 拡張性のある連続表現空間を構築するために,$textS3$Mambaと呼ばれる新しい任意のスケール超解法を提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:13:02Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• Task-Aware Dynamic Transformer for Efficient Arbitrary-Scale Image Super-Resolution [8.78015409192613]
  Arbitrary-scale Super- resolution (ASSR) は、任意の拡大スケールで画像超解像の1つのモデルを学ぶことを目的としている。 既存のASSRネットワークは、通常、既製のスケール非依存の特徴抽出器と任意のスケールアップサンプラーから構成される。 本稿では,効率的な画像ASSRのための入力適応型特徴抽出器として,タスク対応動的変換器(TADT)を提案する。
  論文  参考訳（メタデータ） (2024-08-16T13:35:52Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
  本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。 SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。 SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
  論文  参考訳（メタデータ） (2024-03-30T06:18:50Z)
• A Simple Plugin for Transforming Images to Arbitrary Scales [47.36233857830832]
  我々は、既存の超解像モデルに挿入できる汎用プラグインを開発し、Arbitrary Resolution Image Scalingに向けた能力を便利に増強する。 得られたモデルは、固定スケールファクタ上での本来の性能を維持できるだけでなく、目に見えないスケールに拡張可能であることを示し、標準ベンチマーク上で既存の任意のスケールの超解像モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-07T09:24:38Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Scale-Aware Dynamic Network for Continuous-Scale Super-Resolution [16.67263192454279]
  連続的スケールSRのためのSADN(Scale-Aware dynamic network)を提案する。 まず、複数のSRタスクを様々なスケールで特徴学習するためのSAD-Conv層を提案する。 第2に,マルチ双線形局所暗黙関数 (MBLIF) を付加した連続スケールアップサンプリングモジュール (CSUM) を考案した。
  論文  参考訳（メタデータ） (2021-10-29T09:57:48Z)

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。