論文の概要: Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2604.11470v1
• Date: Mon, 13 Apr 2026 13:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.570773
• Title: Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution
• Title（参考訳）: リアルタイム超解像のための劣化認識と構造保存拡散
• Authors: Yang Ji, Zonghao Chen, Zhihao Xue, Junqin Hu,
• Abstract要約: 実世界SRのための劣化認識・構造保存拡散フレームワークを提案する。 具体的には,低分解能入力からの軽量劣化統計をエンコードする,分解対応のトークンインジェクションを提案する。 また、局所的なエッジ強度で拡散雑音を変調し、トレーニング中の構造領域をよりよく保存する空間非対称ノイズ注入法を提案する。
• 参考スコア（独自算出の注目度）: 3.663940075220745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world image super-resolution is particularly challenging for diffusion models because real degradations are complex, heterogeneous, and rarely modeled explicitly. We propose a degradation-aware and structure-preserving diffusion framework for real-world SR. Specifically, we introduce Degradation-aware Token Injection, which encodes lightweight degradation statistics from low-resolution inputs and fuses them with semantic conditioning features, enabling explicit degradation-aware restoration. We further propose Spatially Asymmetric Noise Injection, which modulates diffusion noise with local edge strength to better preserve structural regions during training. Both modules are lightweight add-ons to the adopted diffusion SR framework, requiring only minor modifications to the conditioning pipeline. Experiments on DIV2K and RealSR show that our method delivers competitive no-reference perceptual quality and visually more realistic restoration results than recent baselines, while maintaining a favorable perception--distortion trade-off. Ablations confirm the effectiveness of each module and their complementary gains when combined. The code and model are publicly available at https://github.com/jiyang0315/DASP-SR.git.
• Abstract（参考訳）: 実際の分解は複雑で不均一であり、明示的にモデル化されることはめったにないため、拡散モデルにとって現実世界の超解像は特に困難である。 実世界SRのための劣化認識・構造保存拡散フレームワークを提案する。 具体的には、低分解能入力から軽量な劣化統計を符号化し、セマンティックコンディショニング機能で融合し、明らかに劣化認識の復元を可能にする分解対応トークンインジェクションを提案する。 さらに、局所的なエッジ強度で拡散雑音を変調し、トレーニング中の構造領域をよりよく保存する空間非対称ノイズ注入法を提案する。 どちらのモジュールも拡散SRフレームワークの軽量なアドオンであり、条件付けパイプラインに小さな変更しか必要としない。 DIV2KとRealSRの実験により,本手法は,近年のベースラインよりも競合する非参照の知覚的品質と視覚的によりリアルな復元結果を提供しつつ,良好な認識・歪曲トレードオフを維持していることが示された。 アブレーションは各モジュールの有効性を確認し、組み合わせた場合の相補的な利得を確認する。 コードとモデルはhttps://github.com/jiyang0315/DASP-SR.gitで公開されている。

関連論文リスト

• ScaleDiff: Higher-Resolution Image Synthesis via Efficient and Model-Agnostic Diffusion [7.233066974580282]
  テキストと画像の拡散モデルは、トレーニングの解像度を超える画像を生成する際に、しばしば劣化した性能を示す。 最近のトレーニングフリーな手法は、この制限を緩和することができるが、かなりの計算を必要とする場合や、最近の拡散変換器モデルと互換性がない場合が多い。 本研究では,事前学習した拡散モデルの解法を,追加の訓練なしに拡張するためのモデル非依存かつ高効率なフレームワークであるScaleDiffを提案する。
  論文  参考訳（メタデータ） (2025-10-29T17:17:32Z)
• SCEESR: Semantic-Control Edge Enhancement for Diffusion-Based Super-Resolution [0.8122270502556375]
  現実世界の超解像は複雑な劣化と固有の再構成の曖昧さに対処しなければならない。 一段階拡散モデルは速度を提供するが、蒸留品による構造的不正確さをしばしば生み出す。 セマンティックエッジガイダンスのための制御ネット機構を用いて,一段階拡散モデルを強化する新しいSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:06:01Z)
• Unlocking the Potential of Diffusion Priors in Blind Face Restoration [63.419272650578165]
  本研究では、2つのモードを切り替えて特定のギャップを解消する統合ネットワークFLIPNETを提案する。 復元モードでは、モデルは徐々にBFR指向の特徴とLQ画像からの顔埋め込みを統合し、真正かつ忠実な顔復元を実現する。 劣化モードでは、実際の劣化データセットから学んだ知識に基づいて、劣化した画像のような現実世界を合成する。
  論文  参考訳（メタデータ） (2025-08-12T01:50:55Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Adversarial Diffusion Compression for Real-World Image Super-Resolution [16.496532580598007]
  現実世界の超解像は、劣化した低分解能入力から高分解能画像を再構成することを目的としている。 OSEDiffやS3Diffのような一段階拡散ネットワークはこの問題を緩和するが、それでも高い計算コストがかかる。 本稿では,一段階拡散ネットワークOSEDiffを流線形拡散GANモデルに蒸留することにより,新しいリアルISR法AdcSRを提案する。
  論文  参考訳（メタデータ） (2024-11-20T15:13:36Z)
• DeeDSR: Towards Real-World Image Super-Resolution via Degradation-Aware Stable Diffusion [27.52552274944687]
  低解像度画像のコンテンツや劣化を認識する拡散モデルの能力を高める新しい2段階の劣化認識フレームワークを提案する。 最初の段階では、教師なしのコントラスト学習を用いて画像劣化の表現を得る。 第2段階では、分解対応モジュールを単純化されたControlNetに統合し、様々な劣化への柔軟な適応を可能にします。
  論文  参考訳（メタデータ） (2024-03-31T12:07:04Z)
• 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)
• 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。