論文の概要: Not All Degradations Are Equal: A Targeted Feature Denoising Framework for Generalizable Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2509.14841v1
• Date: Thu, 18 Sep 2025 11:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.178525
• Title: Not All Degradations Are Equal: A Targeted Feature Denoising Framework for Generalizable Image Super-Resolution
• Title（参考訳）: すべての劣化が等しくはない: 一般化可能な画像超解法のための特徴劣化フレームワーク
• Authors: Hongjun Wang, Jiyuan Chen, Zhengwei Yin, Xuan Song, Yinqiang Zheng,
• Abstract要約: Generalizable Image Super-Resolutionは、未知の劣化下でのモデル一般化機能の向上を目的としている。 本稿では,ノイズ検出とデノナイジングモジュールを含むターゲット機能デノナイジングフレームワークを提案する。 本フレームワークは,従来の正規化方式に比べて優れた性能を示す。
• 参考スコア（独自算出の注目度）: 40.723558636912784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizable Image Super-Resolution aims to enhance model generalization capabilities under unknown degradations. To achieve this goal, the models are expected to focus only on image content-related features instead of overfitting degradations. Recently, numerous approaches such as Dropout and Feature Alignment have been proposed to suppress models' natural tendency to overfit degradations and yield promising results. Nevertheless, these works have assumed that models overfit to all degradation types (e.g., blur, noise, JPEG), while through careful investigations in this paper, we discover that models predominantly overfit to noise, largely attributable to its distinct degradation pattern compared to other degradation types. In this paper, we propose a targeted feature denoising framework, comprising noise detection and denoising modules. Our approach presents a general solution that can be seamlessly integrated with existing super-resolution models without requiring architectural modifications. Our framework demonstrates superior performance compared to previous regularization-based methods across five traditional benchmarks and datasets, encompassing both synthetic and real-world scenarios.
• Abstract（参考訳）: Generalizable Image Super-Resolutionは、未知の劣化下でのモデル一般化機能の向上を目的としている。 この目標を達成するために、モデルは劣化を過度に適合させるのではなく、画像コンテンツに関連する機能にのみ焦点を合わせることが期待されている。 近年, モデルに過度に適合し, 有望な結果をもたらす自然傾向を抑えるために, ドロップアウトや特徴アライメントなどの多くのアプローチが提案されている。 それにもかかわらず、これらの研究は、モデルが全ての劣化タイプ(例えば、ぼかし、ノイズ、JPEG)に過度に適合していると仮定する一方で、本論文では、モデルが主にノイズに過度に適合していることを発見し、他の劣化タイプと比較して、その顕著な劣化パターンに起因することが判明した。 本稿では,ノイズ検出とデノナイジングモジュールを含むターゲット機能デノナイジングフレームワークを提案する。 提案手法では,アーキテクチャ変更を必要とせず,既存の超解像モデルとシームレスに統合できる汎用解を提案する。 本フレームワークは,従来の5つのベンチマークおよびデータセットを対象とし,合成シナリオと実世界のシナリオの両方を対象とする,従来の正規化ベースの手法と比較して,優れた性能を示す。

関連論文リスト

• Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models [10.74767402912109]
  モデル再構成なしに様々な画像逆問題に対処できるゼロショットフレームワークを提案する。 そこで我々は,確率値の閉形式近似を導出するノイズ改善機構を提案する。 我々は、推論効率をさらに向上するために、Denoising Diffusion Implicit Models (DDIM) サンプリング戦略を統合する。
  論文  参考訳（メタデータ） (2025-06-16T11:56:50Z)
• Revealing the Implicit Noise-based Imprint of Generative Models [71.94916898756684]
  本稿では,検出タスクにノイズに基づくモデル固有インプリントを利用する新しいフレームワークを提案する。 様々な生成モデルからのインプリントを集約することにより、将来のモデルのインプリントを外挿してトレーニングデータを拡張することができる。 提案手法は,GenImage,Synthbuster,Chameleonの3つの公開ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-12T12:04:53Z)
• Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding [67.57487747508179]
  マルチインワン画像復元 (IR) は, 一つのモデルで全ての種類の劣化画像復元を処理し, 大幅な進歩を遂げている。 本稿では,単一と混合の分解で画像を効果的に復元できる新しいマルチインワンIRモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-25T09:26:34Z)
• Benchmark Generation Framework with Customizable Distortions for Image Classifier Robustness [4.339574774938128]
  本稿では,画像分類モデルのロバスト性を評価するために,逆ベンチマークを生成する新しいフレームワークを提案する。 当社のフレームワークでは,画像に最適な歪みの種類をカスタマイズすることが可能で,デプロイメントに関連する歪みに対処する上で有効である。
  論文  参考訳（メタデータ） (2023-10-28T07:40:42Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• One Size Fits All: Hypernetwork for Tunable Image Restoration [5.33024001730262]
  我々は,複数のモデルの精度を向上し,異なるレベルの劣化に最適化した,可変画像復元のための新しい手法を提案する。 我々のモデルは、一定数のパラメータと様々な画像復元タスクで必要に応じて、最小限の劣化レベルを復元するように最適化することができる。
  論文  参考訳（メタデータ） (2022-06-13T08:33:14Z)
• A Closer Look at Blind Super-Resolution: Degradation Models, Baselines, and Performance Upper Bounds [27.945034226654656]
  ランダムゲート制御器を用いて広義の劣化事例を生成するための統一ゲート劣化モデルを提案する。 劣化モデルに基づいて,非盲点,古典的,実践的な劣化事例を効果的に処理できる単純なベースラインネットワークを提案する。 実験により, 統一ゲート劣化モデルにより, 提案したベースラインは既存手法よりもはるかに優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2022-05-10T14:02:49Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Kernel Adversarial Learning for Real-world Image Super-resolution [23.904933824966605]
  本稿では,Kernel Adversarial Learning Super- resolutionフレームワークを導入することで,現実のイメージSRのための低解像度画像をよりリアルに合成するプロセスを提案する。 提案フレームワークでは、劣化カーネルとノイズを明示的に指定するのではなく適応的にモデル化する。 また、モデルSR再構成精度をさらに高めるために、高周波選択的目的と反復的監視プロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-19T01:51:21Z)

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。