論文の概要: BurstGP: Enhancing Raw Burst Image Super Resolution with Generative Priors

• arxiv url: http://arxiv.org/abs/2604.23508v1
• Date: Sun, 26 Apr 2026 03:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.400971
• Title: BurstGP: Enhancing Raw Burst Image Super Resolution with Generative Priors
• Title（参考訳）: BurstGP:生のバースト画像の超高解像度化
• Authors: Dong Huo, Tristan Aumentado-Armstrong, Samrudhdhi B. Rangrej, Maitreya Suin, Angela Ning Ye, Zhiming Hu, Amanpreet Walia, Amirhossein Kazerouni, Konstantinos G. Derpanis, Iqbal Mohomed, Alex Levinshtein,
• Abstract要約: バースト画像スーパーレゾリューション(BISR)は、複数の低解像度(LR)フレームから情報を集約することで、単一の高解像度(HR)イメージを構築することを目的としている。 BISRの手法は複雑なテクスチャや過剰なスムースに苦しむことが多い。 本稿では,BISRのための新しい拡散型解であるBurstGPを提案する。
• 参考スコア（独自算出の注目度）: 26.391536566957672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Burst image super resolution (BISR) aims to construct a single high-resolution (HR) image by aggregating information from multiple low-resolution (LR) frames, relying on temporal redundancy and spatial coherence across the burst. While conventional methods achieve impressive results, they often struggle with complex textures and oversmoothing. Diffusion models, particularly those pretrained on high-quality data, have shown remarkable capability in generating realistic details for image and video super-resolution. However, their potential remains largely under-explored in BISR, where existing approaches typically rely on task-specific diffusion models trained from scratch and operate on single-frame reconstructions. In this work, we propose BurstGP, a novel diffusion-based solution for BISR, which leverages generative priors of recent foundation models to overcome these issues. In particular, we build a multiframe-aware diffusion model on top of a conventional BISR approach, which boosts image quality with minimal loss to fidelity. Further, we introduce (i) a novel degradation-aware conditioning mechanism, which controls synthesis of fine details based on the estimated degradation in the input, and (ii) a robust sRGB-to-lRGB inverter, enabling us to utilize generative multiframe (video) sRGB priors, while operating with raw input and lRGB output images. Empirically, we demonstrate that BurstGP outperforms the existing state of the art, both quantitatively (especially with respect to perceptual metrics, including MUSIQ and LPIPS) and qualitatively. In particular, our proposed method excels at recovering richer textures and finer structural details, highlighting the potential of video priors for BISR over traditional methods.
• Abstract（参考訳）: バースト画像スーパーレゾリューション(BISR)は、複数の低解像度(LR)フレームから情報を集約することで、バースト全体の時間的冗長性と空間的コヒーレンスに依存する単一の高解像度(HR)イメージを構築することを目的としている。 従来の方法では印象的な結果が得られるが、複雑なテクスチャや過剰なスムーシングに苦しむことが多い。 拡散モデル、特に高品質なデータで事前訓練されたモデルは、画像やビデオの超解像のリアルな詳細を生成する際、顕著な能力を示している。 しかしながら、BISRでは、既存のアプローチはスクラッチから訓練されたタスク固有の拡散モデルに依存し、単一フレームの再構築を運用している。 本稿では, BISR の新たな拡散型ソリューションである BurstGP を提案する。 特に,従来のBISR手法の上に多フレーム対応拡散モデルを構築し,画像品質を最小限の精度で向上させる。 さらに紹介する 一 入力の予測劣化に基づいて細部を合成する新規な劣化対応条件付け機構及び (i)ロバストなsRGB-to-lRGBインバータにより、生の入力およびlRGB出力画像を操作しながら、生成的マルチフレーム(ビデオ)のsRGBプリバータを利用することができる。 経験的に、BurstGPは既存の最先端技術(特に MUSIQ や LPIPS など知覚的メトリクス)よりも質的に優れていることを実証する。 特に,提案手法は,よりリッチなテクスチャとより微細な構造を復元し,従来の手法よりもBISRに先行するビデオの可能性を強調した。

関連論文リスト

• Enhancing Infrared Vision: Progressive Prompt Fusion Network and Benchmark [58.61079960074608]
  既存の赤外線画像強調法は、個々の劣化に対処することに焦点を当てている。 一般的にRGBセンサーに適用されるオールインワンエンハンスメント法は、有効性が制限されることが多い。
  論文  参考訳（メタデータ） (2025-10-10T12:55:54Z)
• RAP-SR: RestorAtion Prior Enhancement in Diffusion Models for Realistic Image Super-Resolution [36.137383171027615]
  本稿では,Real-SRの事前学習拡散モデルにおける事前拡張手法であるRAP-SRを紹介する。 まず,QDAISP(Quality-Driven Aesthetic Image Selection Pipeline)を用いたHFAID(High-Fidelity Aesthetic Image dataset)を開発した。 第2に、復元優先分担(RPR)と再生指向分担最適化(ROPO)モジュールを含む再生優先分担フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T03:17:38Z)
• Towards Real-World Burst Image Super-Resolution: Benchmark and Method [93.73429028287038]
  本稿では,複数のフレームから画像の詳細を忠実に再構成する大規模リアルタイムバースト超解像データセットであるRealBSRを確立する。 また,FBAnet(Federated Burst Affinity Network)を導入し,実世界の画像劣化下での画像間の非自明な画素幅の変位について検討する。
  論文  参考訳（メタデータ） (2023-09-09T14:11:37Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• Gated Multi-Resolution Transfer Network for Burst Restoration and Enhancement [75.25451566988565]
  低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。 5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
  論文  参考訳（メタデータ） (2023-04-13T17:54:00Z)
• HDR Reconstruction from Bracketed Exposures and Events [12.565039752529797]
  高品質なHDR画像の再構成は、現代の計算写真の中心にある。 特徴領域におけるブラケット画像とイベントを融合したマルチモーダルなエンドツーエンド学習型HDRイメージングシステムを提案する。 我々のフレームワークは、スライディングウィンドウを使用して入力イベントストリームをサブサンプリングすることで、イベントの時間分解能を高める。
  論文  参考訳（メタデータ） (2022-03-28T15:04:41Z)
• Deep Burst Super-Resolution [165.90445859851448]
  バースト超解像タスクのための新しいアーキテクチャを提案する。 我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。 実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
  論文  参考訳（メタデータ） (2021-01-26T18:57:21Z)

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。