論文の概要: Continuous Degradation Modeling via Latent Flow Matching for Real-World Super-Resolution

• arxiv url: http://arxiv.org/abs/2602.04193v1
• Date: Wed, 04 Feb 2026 04:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.363167
• Title: Continuous Degradation Modeling via Latent Flow Matching for Real-World Super-Resolution
• Title（参考訳）: リアルタイム超解像のための潜時流マッチングによる連続劣化モデリング
• Authors: Hyeonjae Kim, Dongjin Kim, Eugene Jin, Tae Hyun Kim,
• Abstract要約: 本稿では,フローマッチングによる遅延劣化空間を活用することにより,単一のHR画像から真正LR画像を合成できる新しいフレームワークを提案する。 提案手法では,現実的なアーチファクトを目に見えない劣化レベルで生成し,大規模で現実的なSRトレーニングデータセットの作成を容易にする。
• 参考スコア（独自算出の注目度）: 11.776067915986687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning-based super-resolution (SR) methods have shown impressive outcomes with synthetic degradation scenarios such as bicubic downsampling, they frequently struggle to perform well on real-world images that feature complex, nonlinear degradations like noise, blur, and compression artifacts. Recent efforts to address this issue have involved the painstaking compilation of real low-resolution (LR) and high-resolution (HR) image pairs, usually limited to several specific downscaling factors. To address these challenges, our work introduces a novel framework capable of synthesizing authentic LR images from a single HR image by leveraging the latent degradation space with flow matching. Our approach generates LR images with realistic artifacts at unseen degradation levels, which facilitates the creation of large-scale, real-world SR training datasets. Comprehensive quantitative and qualitative assessments verify that our synthetic LR images accurately replicate real-world degradations. Furthermore, both traditional and arbitrary-scale SR models trained using our datasets consistently yield much better HR outcomes.
• Abstract（参考訳）: 深層学習に基づく超解像法(SR)は、バイコビックダウンサンプリングのような合成劣化シナリオで顕著な結果を示したが、複雑なノイズ、ぼかし、圧縮アーティファクトなどの非線形劣化を特徴とする実世界の画像では、よく機能しないことが多い。 この問題に対処する最近の取り組みは、実際の低分解能(LR)と高分解能(HR)イメージペアのコンパイルに苦慮している。 これらの課題に対処するため,本研究では,フローマッチングによる潜時劣化空間を活用することにより,単一のHR画像から真正LR画像を合成できる新しいフレームワークを提案する。 提案手法では,現実的なアーチファクトを目に見えない劣化レベルで生成し,大規模で現実的なSRトレーニングデータセットの作成を容易にする。 総合的な定量的および質的な評価により、我々の合成LR画像が現実世界の劣化を正確に再現していることが確かめられる。 さらに、我々のデータセットを使用してトレーニングされた従来のSRモデルと任意のスケールのSRモデルの両方が、一貫してより優れたHR結果をもたらす。

関連論文リスト

• Unsupervised Real-World Super-Resolution via Rectified Flow Degradation Modelling [16.485914675883972]
  教師なしの現実世界の超解像(SR)は、複雑な未知の劣化分布のために重要な課題に直面している。 既存の手法では、合成低分解能(LR)と高分解能(HR)画像対から実世界のデータへの一般化に苦慮している。 実世界の劣化を効果的に捉え,モデル化するために,整流に基づく教師なし実世界のSR手法を提案する。
  論文  参考訳（メタデータ） (2025-08-10T07:27:28Z)
• Undertrained Image Reconstruction for Realistic Degradation in Blind Image Super-Resolution [4.849820402342814]
  超解像度(SR)モデルは現実世界の低解像度(LR)画像と競合する。 ほとんどのSRモデルは現実世界のLR画像では性能が良くない。 本研究では,未訓練画像再構成モデルを用いたデータセット生成手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T16:33:58Z)
• Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• Real Image Super-Resolution using GAN through modeling of LR and HR process [20.537597542144916]
  LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。 定量的および定性的な実験において提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-19T09:23:37Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)

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。