論文の概要: Self-Supervised Image Super-Resolution Quality Assessment based on Content-Free Multi-Model Oriented Representation Learning

• arxiv url: http://arxiv.org/abs/2602.10744v1
• Date: Wed, 11 Feb 2026 11:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.791305
• Title: Self-Supervised Image Super-Resolution Quality Assessment based on Content-Free Multi-Model Oriented Representation Learning
• Title（参考訳）: コンテンツなしマルチモデル指向表現学習に基づく自己監督画像の超解像品質評価
• Authors: Kian Majlessi, Amir Masoud Soltani, Mohammad Ebrahim Mahdavi, Aurelien Gourrier, Peyman Adibi,
• Abstract要約: 超解像(SR)を実世界の低分解能(LR)画像に適用すると、しばしば複雑で不規則な劣化が起こる。 本研究では,非参照型SR-IQA手法を提案する。 提案手法は,実世界のSRアプリケーションに対して,ドメイン適応型IQAを実現する。
• 参考スコア（独自算出の注目度）: 3.0175628677371935
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Super-resolution (SR) applied to real-world low-resolution (LR) images often results in complex, irregular degradations that stem from the inherent complexity of natural scene acquisition. In contrast to SR artifacts arising from synthetic LR images created under well-defined scenarios, those distortions are highly unpredictable and vary significantly across different real-life contexts. Consequently, assessing the quality of SR images (SR-IQA) obtained from realistic LR, remains a challenging and underexplored problem. In this work, we introduce a no-reference SR-IQA approach tailored for such highly ill-posed realistic settings. The proposed method enables domain-adaptive IQA for real-world SR applications, particularly in data-scarce domains. We hypothesize that degradations in super-resolved images are strongly dependent on the underlying SR algorithms, rather than being solely determined by image content. To this end, we introduce a self-supervised learning (SSL) strategy that first pretrains multiple SR model oriented representations in a pretext stage. Our contrastive learning framework forms positive pairs from images produced by the same SR model and negative pairs from those generated by different methods, independent of image content. The proposed approach S3 RIQA, further incorporates targeted preprocessing to extract complementary quality information and an auxiliary task to better handle the various degradation profiles associated with different SR scaling factors. To this end, we constructed a new dataset, SRMORSS, to support unsupervised pretext training; it includes a wide range of SR algorithms applied to numerous real LR images, which addresses a gap in existing datasets. Experiments on real SR-IQA benchmarks demonstrate that S3 RIQA consistently outperforms most state-of-the-art relevant metrics.
• Abstract（参考訳）: 超解像(SR)を実世界の低分解能(LR)画像に適用すると、自然シーン取得の固有の複雑さに起因する複雑で不規則な劣化が発生することが多い。 明確に定義されたシナリオで生成された合成LR画像から生じるSRアーチファクトとは対照的に、これらの歪みは予測不可能であり、様々な実生活の文脈で大きく異なる。 その結果、現実的なLRから得られたSR画像(SR-IQA)の品質を評価することは、難しい問題であり、未発見の課題である。 本研究では,非参照型SR-IQA手法を提案する。 提案手法は,実世界のSRアプリケーション,特にデータスカース領域において,ドメイン適応型IQAを実現する。 超解像の劣化は、画像の内容によってのみ決定されるのではなく、基礎となるSRアルゴリズムに強く依存していると仮定する。 そこで本研究では、まず複数のSRモデル指向表現を事前訓練する自己教師型学習(SSL)戦略を導入する。 我々の対照的な学習フレームワークは、同じSRモデルで生成された画像から正のペアを作り、異なる手法で生成された画像から負のペアを作り、画像の内容に依存しない。 提案手法であるS3 RIQAでは,様々なSRスケーリング要因に関連付けられた様々な劣化プロファイルをよりよく扱うために,補完的な品質情報を抽出するターゲット前処理と補助タスクが組み込まれている。 この目的のために、教師なしプレテキストトレーニングをサポートする新しいデータセットSRMORSSを構築し、既存のデータセットのギャップに対処する多数の実LR画像に適用された幅広いSRアルゴリズムを含む。 実際のSR-IQAベンチマークの実験では、S3 RIQAは最先端の関連する指標を一貫して上回っている。

関連論文リスト

• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• Perception- and Fidelity-aware Reduced-Reference Super-Resolution Image Quality Assessment [25.88845910499606]
  PFIQA(Pual-branch reduce-reference SR-IQA network, ie, Perception- and Fidelity-aware SR-IQA)を提案する。 PFIQAは3つの広く使用されているSR-IQAベンチマークで現在の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2024-05-15T16:09:22Z)
• 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)
• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。