論文の概要: Two Heads Better than One: Dual Degradation Representation for Blind Super-Resolution

• arxiv url: http://arxiv.org/abs/2511.16963v1
• Date: Fri, 21 Nov 2025 05:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.895265
• Title: Two Heads Better than One: Dual Degradation Representation for Blind Super-Resolution
• Title（参考訳）: Blind Super-Resolution におけるDual Degradation Representation の2例
• Authors: Hsuan Yuan, Shao-Yu Weng, I-Hsuan Lo, Wei-Chen Chiu, Yu-Syuan Xu, Hao-Chien Hsueh, Jen-Hui Chuang, Ching-Chun Huang,
• Abstract要約: 本稿では,ブラインドSR問題に対処する二分枝分解エクストラクタネットワークを提案する。 提案手法は,ぼやけた情報とうるさい情報を表す2つの非教師なし劣化埋め込みを予測する。 いくつかのベンチマーク実験により,本手法はブラインドSR問題におけるSOTA性能を実証した。
• 参考スコア（独自算出の注目度）: 22.163818726831888
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Previous methods have demonstrated remarkable performance in single image super-resolution (SISR) tasks with known and fixed degradation (e.g., bicubic downsampling). However, when the actual degradation deviates from these assumptions, these methods may experience significant declines in performance. In this paper, we propose a Dual Branch Degradation Extractor Network to address the blind SR problem. While some blind SR methods assume noise-free degradation and others do not explicitly consider the presence of noise in the degradation model, our approach predicts two unsupervised degradation embeddings that represent blurry and noisy information. The SR network can then be adapted to blur embedding and noise embedding in distinct ways. Furthermore, we treat the degradation extractor as a regularizer to capitalize on differences between SR and HR images. Extensive experiments on several benchmarks demonstrate our method achieves SOTA performance in the blind SR problem.
• Abstract（参考訳）: 従来の手法は、既知の、固定された劣化(例えば、バイコビックダウンサンプリング)を持つ単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 しかし、実際の劣化がこれらの仮定から逸脱すると、これらの手法は性能が著しく低下する可能性がある。 本稿では,ブラインドSR問題に対処する二分枝分解エクストラクタネットワークを提案する。 ブラインドSR法ではノイズのない劣化を前提とするものもあれば、劣化モデルにおけるノイズの存在を明示的に考慮しないものもあるが、本手法では、ぼやけた情報とノイズの多い情報を表す2つの非教師なし劣化埋め込みを予測している。 SRネットワークは、異なる方法で埋め込みとノイズ埋め込みを曖昧にするために適応することができる。 さらに, 劣化抽出器を正則化器として扱い, SR画像とHR画像の差に乗じる。 ブラインドSR問題におけるSOTA性能について,いくつかのベンチマーク実験を行った。

関連論文リスト

• Blind Super Resolution with Reference Images and Implicit Degradation Representation [5.34372866210952]
  劣化カーネルは、分解プロセスだけでなく、スケールの低下要因も考慮すべきである。 様々な超解像スケールで同じ分解カーネルを適用することは現実的ではないかもしれない。 本研究は,BSRタスクにおいて,劣化カーネルとスケーリング要因を重要な要素として認めている。
  論文  参考訳（メタデータ） (2025-07-18T13:45:04Z)
• One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
  画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。 VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。 提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
  論文  参考訳（メタデータ） (2025-06-03T08:28:13Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• Dual-Diffusion: Dual Conditional Denoising Diffusion Probabilistic Models for Blind Super-Resolution Reconstruction in RSIs [6.2678394285548755]
  条件付きデノゲーション拡散確率モデル(DDPM)に基づく新しいブラインドSRフレームワークを提案する。 本研究では,カーネル推定の進展と再構築の進展という2つの側面から,条件付き分散確率モデル(DDPM)を導入する。 我々は、LR画像からHR画像へのマッピングを学習するためのDDPMベースの再構成器を構築する。
  論文  参考訳（メタデータ） (2023-05-20T11:18:38Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Blind Super-Resolution for Remote Sensing Images via Conditional Stochastic Normalizing Flows [14.882417028542855]
  本稿では、上記の問題に対処するために、正規化フロー(BlindSRSNF)に基づく新しいブラインドSRフレームワークを提案する。 BlindSRSNFは、低解像度(LR)画像が与えられた高解像度画像空間上の条件確率分布を、確率の変動境界を明示的に最適化することによって学習する。 提案アルゴリズムは,シミュレーションLRと実世界RSIの両方において,視覚的品質の優れたSR結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-14T12:37:32Z)
• Blind Image Super-Resolution via Contrastive Representation Learning [41.17072720686262]
  マルチモーダルおよび空間変動分布を持つ画像のブラインドSRに着目したコントラスト表現学習ネットワークを設計する。 提案したCRL-SRは,ブラインド設定下でのマルチモーダル・空間変動劣化を効果的に処理可能であることを示す。 また、最先端のSR手法を質的に、定量的に上回る。
  論文  参考訳（メタデータ） (2021-07-01T19:34:23Z)
• Unsupervised Degradation Representation Learning for Blind Super-Resolution [27.788488575616032]
  CNNベースのスーパーリゾリューション(SR)手法は、実際の劣化が仮定と異なる場合に深刻なパフォーマンス低下を被る。 明示的な劣化推定を伴わない盲点SRのための教師なし劣化表現学習手法を提案する。 我々のネットワークは、ブラインドSRタスクの最先端性能を達成する。
  論文  参考訳（メタデータ） (2021-04-01T11:57:42Z)

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。