論文の概要: Bridging Information Asymmetry: A Hierarchical Framework for Deterministic Blind Face Restoration

• arxiv url: http://arxiv.org/abs/2601.19506v2
• Date: Wed, 28 Jan 2026 06:02:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 13:43:09.364984
• Title: Bridging Information Asymmetry: A Hierarchical Framework for Deterministic Blind Face Restoration
• Title（参考訳）: ブリッジング情報非対称性:決定論的ブラインド顔復元のための階層的枠組み
• Authors: Zhengjian Yao, Jiakui Hu, Kaiwen Li, Hangzhou He, Xinliang Zhang, Shuang Zeng, Lei Zhu, Yanye Lu,
• Abstract要約: セマンティックロジックと連続的なテクスチャ生成を統合した階層型フレームワークである textbfPrefRestore を提案する。 本手法は,2つの相補的戦略により,この情報格差を根本的に解決する。 Pref-Restoreは、合成および実世界のベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 31.878334664450776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blind face restoration remains a persistent challenge due to the inherent ill-posedness of reconstructing holistic structures from severely constrained observations. Current generative approaches, while capable of synthesizing realistic textures, often suffer from information asymmetry -- the intrinsic disparity between the information-sparse low quality inputs and the information-dense high quality outputs. This imbalance leads to a one-to-many mapping, where insufficient constraints result in stochastic uncertainty and hallucinatory artifacts. To bridge this gap, we present \textbf{Pref-Restore}, a hierarchical framework that integrates discrete semantic logic with continuous texture generation to achieve deterministic, preference-aligned restoration. Our methodology fundamentally addresses this information disparity through two complementary strategies: (1) Augmenting Input Density: We employ an auto-regressive integrator to reformulate textual instructions into dense latent queries, injecting high-level semantic stability to constrain the degraded signals; (2) Pruning Output Distribution: We pioneer the integration of on-policy reinforcement learning directly into the diffusion restoration loop. By transforming human preferences into differentiable constraints, we explicitly penalize stochastic deviations, thereby sharpening the posterior distribution toward the desired high-fidelity outcomes. Extensive experiments demonstrate that Pref-Restore achieves state-of-the-art performance across synthetic and real-world benchmarks. Furthermore, empirical analysis confirms that our preference-aligned strategy significantly reduces solution entropy, establishing a robust pathway toward reliable and deterministic blind restoration.
• Abstract（参考訳）: ブラインドフェース修復は、厳密な制約のある観測から全体構造を再構築する固有の不適切さのため、引き続き永続的な課題である。 現在の生成的アプローチは、現実的なテクスチャを合成できるが、しばしば情報非対称性に悩まされる。 この不均衡は、不十分な制約が確率的不確実性と幻覚的アーティファクトをもたらす、一対一のマッピングにつながる。 このギャップを埋めるために、離散的なセマンティックロジックを連続的なテクスチャ生成と統合し、決定論的、嗜好に整合した復元を実現する階層的なフレームワークである「textbf{Pref-Restore}」を提案する。 提案手法は,(1)入力密度の増大: テキスト命令を高密度の潜伏クエリに書き換える自動回帰積分器を用いて,劣化信号の制約に高レベルなセマンティック安定性を注入する,(2)出力分布の停止: 拡散回復ループに直接、政治上の強化学習の統合を開拓する,という2つの相補的戦略を通じて,この情報格差を根本的に解決する。 人間の嗜好を異なる制約に変換することにより、確率的偏差を明示的に罰し、所望の高忠実度結果に対する後部分布を鋭くする。 大規模な実験により、Pref-Restoreは、合成および実世界のベンチマークで最先端のパフォーマンスを達成することが示された。 さらに,我々の選好整合戦略が解のエントロピーを著しく減少させ,信頼性と決定論的ブラインド回復への堅牢な経路を確立することを実証分析により確認した。

関連論文リスト

• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
  既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。 本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。 提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
  論文  参考訳（メタデータ） (2025-12-19T12:56:17Z)
• Knowledge Collapse in LLMs: When Fluency Survives but Facts Fail under Recursive Synthetic Training [2.094557609248011]
  大規模な言語モデルは、人間が書き込んだコンテンツの不足のために、合成データにますます依存している。 モデル生成出力に対する再帰的なトレーニングは、事実の信頼性を脅かす退化過程であるモデル崩壊につながる。
  論文  参考訳（メタデータ） (2025-09-05T04:29:15Z)
• AdaQual-Diff: Diffusion-Based Image Restoration via Adaptive Quality Prompting [10.175405673457892]
  本稿では,知覚的品質評価を直接生成的回復プロセスに統合する拡散型フレームワークを提案する。 AdaQual-Diffは、さまざまな合成および実世界のデータセット間で視覚的に優れた復元を実現する。
  論文  参考訳（メタデータ） (2025-04-17T03:08:27Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• Reasons for the Superiority of Stochastic Estimators over Deterministic Ones: Robustness, Consistency and Perceptual Quality [44.47246905244631]
  完全品質の回復アルゴリズムは後部サンプリング器でなければならない。 決定論的復元アルゴリズムは高い品質を達成できるが、これは可能なすべてのソース画像の空間を埋めることによってのみ達成できる。
  論文  参考訳（メタデータ） (2022-11-16T14:49:10Z)

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。