論文の概要: Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows
- arxiv url: http://arxiv.org/abs/2604.19238v1
- Date: Tue, 21 Apr 2026 08:44:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.692585
- Title: Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows
- Title（参考訳）: Allo{SR}$^2$: アロモルフィック生成フローを経由した1段階超解の定常化
- Authors: Zihan Wang, Xudong Huang, Junbo Qiao, Wei Li, Jie Hu, Xinghao Chen, Shaohui Lin,
- Abstract要約: 大規模拡散モデルとフローベースモデルの強力な生成先行モデルを活用することで、実世界の超解像(Real-SR)が革新された。
AlloSR$2$は、高忠実な生成リアリズムを維持するために同型生成フローを介して一段階のSR軌道を補正する新しいフレームワークである。
- 参考スコア（独自算出の注目度）: 32.29950358173077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world image super-resolution (Real-SR) has been revolutionized by leveraging the powerful generative priors of large-scale diffusion and flow-based models. However, fine-tuning these models on limited LR-HR pairs often precipitates "prior collapse" that the model sacrifices its inherent generative richness to overfit specific training degradations. This issue is further exacerbated in one-step generation, where the absence of multi-step refinement leads to significant trajectory drift and artifact generation. In this paper, we propose Allo{SR}$^2$, a novel framework that rectifies one-step SR trajectories via allomorphic generative flows to maintain high-fidelity generative realism. Specifically, we utilize Signal-to-Noise Ratio (SNR) Guided Trajectory Initialization to establish a physically grounded starting state by aligning the degradation level of LR latent features with the optimal anchoring timestep of the pre-trained flow. To ensure a stable, curvature-free path for one-step inference, we propose Flow-Anchored Trajectory Consistency (FATC), which enforces velocity-level supervision across intermediate states. Furthermore, we develop Allomorphic Trajectory Matching (ATM), a self-adversarial alignment strategy that minimizes the distributional discrepancy between the SR flow and the generative flow in a unified vector field. Extensive experiments on both synthetic and real-world benchmarks demonstrate that Allo{SR}$^2$ achieves state-of-the-art performance in one-step Real-SR, offering a superior balance between restoration fidelity and generative realism while maintaining extreme efficiency.
- Abstract（参考訳）: 大規模拡散モデルとフローベースモデルの強力な生成先行モデルを活用することで、実世界の超解像(Real-SR)が革新された。
しかし、これらのモデルを限られたLR-HR対で微調整すると、モデル固有の生成的富を犠牲にして特定のトレーニング劣化に過度に適合させるため、しばしば「適切な崩壊」が起こる。
この問題は、多段階改良の欠如が軌道のドリフトとアーティファクトの生成に繋がる一段階生成においてさらに悪化する。
本稿では,高忠実性生成リアリズムを維持するために,同型生成フローによる一段階SR軌道の修正を行う新しいフレームワークであるAllo{SR}$^2$を提案する。
具体的には、信号対雑音比(SNR)誘導軌道初期化を用いて、LR遅延特性の劣化レベルと事前学習した流れの最適アンカー時間とを整合させることにより、物理的に基底化された開始状態を確立する。
一段階推論のための安定な曲率のない経路を確保するため、中間状態間の速度レベルの監督を行うフローアンコール軌道整合性(FATC)を提案する。
さらに、SRフローと生成フローとの分散差を最小限に抑える自己逆アライメント戦略であるアロモルフィック軌道マッチング(ATM)を開発した。
Allo{SR}$^2$は1ステップのReal-SRで最先端のパフォーマンスを達成し、極端効率を維持しつつ、復元忠実性と生成リアリズムのバランスを良くすることを示した。
関連論文リスト
- Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - LucidNFT: LR-Anchored Multi-Reward Preference Optimization for Generative Real-World Super-Resolution [21.290660354883595]
優先度に基づく強化学習(RL)は、各LR入力が比較対象のロールアウトグループを生成するため、自然な適合である。
我々は、フローマッチングリアルタイムISRのためのマルチリワードRLフレームワークLucidNFTを提案する。
LucidNFTはフローベースのReal-ISRベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-03-06T06:30:34Z) - Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution [14.52346301984322]
拡散に基づくReal-World Image Super-Resolution (Real-ISR)は、印象的な知覚品質を実現するが、反復サンプリングによる高い計算コストに悩まされる。
本稿では,GTASR(Geometric Trajectory Alignment Super-Resolution)を提案する。
論文 参考訳（メタデータ） (2026-02-27T18:13:31Z) - LinearSR: Unlocking Linear Attention for Stable and Efficient Image Super-Resolution [24.44080642253128]
画像超解法(SR)の生成モデルはますます強力になるが、自己アテンションの二次複雑性(O(N2))に依存しているため、大きな計算ボトルネックが生じる。
線形注意(Linear Attention)はO(N)ソリューションを提供するが、フォトリアリスティックSRに対するその約束は、ほとんど未解決のままである。
本稿では、これらの重要なハードルを体系的に克服する全体論的なフレームワークであるLinearSRを紹介する。
論文 参考訳（メタデータ） (2025-10-09T19:41:51Z) - Flow-GRPO: Training Flow Matching Models via Online RL [80.62659379624867]
本稿では,オンライン政策強化学習をフローマッチングモデルに統合する最初の方法であるFlow-GRPOを提案する。
提案手法では,(1)決定論的正規微分方程式を同値な微分方程式に変換するODE-to-SDE変換と,(2)推論ステップの数を維持しながらトレーニングの段階を短縮するDenoising Reduction戦略の2つの主要な戦略を用いる。
論文 参考訳（メタデータ） (2025-05-08T17:58:45Z) - RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。
次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。
微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
論文 参考訳（メタデータ） (2025-05-06T09:12:37Z) - ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。
Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。
モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文 参考訳（メタデータ） (2025-03-27T16:39:40Z) - AdaptSR: Low-Rank Adaptation for Efficient and Scalable Real-World Super-Resolution [50.584551250242235]
AdaptSRは、現実世界のタスクにバイキュービックトレーニングされたSRモデルを効率的に再利用する低ランク適応フレームワークである。
実験の結果,AdaptSRはPSNRで最大4dB,実際のSRベンチマークで2%,GAN法と拡散型SR法より優れていた。
論文 参考訳（メタデータ） (2025-03-10T18:03:18Z) - ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。
イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
論文 参考訳（メタデータ） (2024-12-12T09:35:47Z)
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。