論文の概要: Trust but Verify: Adaptive Conditioning for Reference-Based Diffusion Super-Resolution via Implicit Reference Correlation Modeling

• arxiv url: http://arxiv.org/abs/2602.01864v1
• Date: Mon, 02 Feb 2026 09:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.046224
• Title: Trust but Verify: Adaptive Conditioning for Reference-Based Diffusion Super-Resolution via Implicit Reference Correlation Modeling
• Title（参考訳）: 信頼と検証:インプシット参照相関モデルによる参照ベース拡散超解法に対する適応条件付け
• Authors: Yuan Wang, Yuhao Wan, Siming Zheng, Bo Li, Qibin Hou, Peng-Tao Jiang,
• Abstract要約: 実世界の劣化は、低品質(LQ)入力と参照(Ref)イメージの対応を信頼できないものにする。 本稿では,一段階拡散フレームワークであるAda-RefSRを提案する。 複数のデータセットの実験では、Ada-RefSRは忠実さ、自然性、効率性の強いバランスを達成している。
• 参考スコア（独自算出の注目度）: 42.10910149675583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works have explored reference-based super-resolution (RefSR) to mitigate hallucinations in diffusion-based image restoration. A key challenge is that real-world degradations make correspondences between low-quality (LQ) inputs and reference (Ref) images unreliable, requiring adaptive control of reference usage. Existing methods either ignore LQ-Ref correlations or rely on brittle explicit matching, leading to over-reliance on misleading references or under-utilization of valuable cues. To address this, we propose Ada-RefSR, a single-step diffusion framework guided by a "Trust but Verify" principle: reference information is leveraged when reliable and suppressed otherwise. Its core component, Adaptive Implicit Correlation Gating (AICG), employs learnable summary tokens to distill dominant reference patterns and capture implicit correlations with LQ features. Integrated into the attention backbone, AICG provides lightweight, adaptive regulation of reference guidance, serving as a built-in safeguard against erroneous fusion. Experiments on multiple datasets demonstrate that Ada-RefSR achieves a strong balance of fidelity, naturalness, and efficiency, while remaining robust under varying reference alignment.
• Abstract（参考訳）: 近年,参照型超解像 (RefSR) を用いて,拡散型画像修復における幻覚を緩和する研究が進められている。 鍵となる課題は、現実世界の劣化により、低品質(LQ)入力と参照(Ref)イメージの対応が信頼性を失い、参照使用量の適応制御が要求されることである。 既存の方法はLQ-Ref相関を無視したり、不安定な明示的なマッチングに頼るかのいずれかであり、誤解を招く参照への過度な依存や、価値ある手がかりの未利用に繋がる。 そこで本稿では,Trust but Verifyという原則で導かれる単一ステップ拡散フレームワークであるAda-RefSRを提案する。 コアコンポーネントであるAdaptive Implicit correlation Gating (AICG)は、学習可能な要約トークンを使用して、支配的な参照パターンを抽出し、LQ特徴との暗黙的な相関をキャプチャする。 注意バックボーンに組み込まれたAICGは、参照ガイダンスの軽量かつ適応的な規制を提供し、誤融合に対するビルトインセーフガードとして機能する。 複数のデータセットの実験により、Ada-RefSRは、様々な参照アライメントの下で頑健でありながら、忠実さ、自然性、効率性の強いバランスを達成できることが示された。

関連論文リスト

• Principled Context Engineering for RAG: Statistical Guarantees via Conformal Prediction [40.28465841863481]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルにおける現実的な基盤を強化する。 既存の前世代のフィルターは信頼性のスコアに依存しており、保持された証拠に対する統計的制御を提供していない。 本研究では,コンフォメーション予測によるコンテキスト工学の実証を行う。
  論文  参考訳（メタデータ） (2025-11-22T04:17:06Z)
• Feedback Guidance of Diffusion Models [14.162420300295365]
  Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:46:32Z)
• Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
  本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。 本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-05-27T11:56:59Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution [74.24676600271253]
  本稿では、RefSRのためのMASAネットワークを提案し、これらの問題に対処するために2つの新しいモジュールを設計する。 提案したMatch & extract Moduleは、粗大な対応マッチング方式により計算コストを大幅に削減する。 空間適応モジュールは、LR画像とRef画像の分布の差を学習し、Ref特徴の分布を空間適応的にLR特徴の分布に再マップする。
  論文  参考訳（メタデータ） (2021-06-04T07:15:32Z)

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。