論文の概要: TOC-SR: Task-Optimal Compact diffusion for Image Super Resolution

• arxiv url: http://arxiv.org/abs/2605.02767v1
• Date: Mon, 04 May 2026 16:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.397627
• Title: TOC-SR: Task-Optimal Compact diffusion for Image Super Resolution
• Title（参考訳）: TOC-SR:画像超解像のためのタスク最適コンパクト拡散
• Authors: Sowmya Vajrala, Akshay Bankar, Manjunath Arveti, Shreyas Pandith, Sravanth Kodavanti, Subhajit Sanyal, Amit Unde, Srinivas Soumitri Miriyala,
• Abstract要約: 本稿では,コンパクトな拡散バックボーンを初めて発見し,効率的な1ステップ超解像モデルを構築するための枠組みを提案する。 その結果、コンパクトな拡散バックボーンは、拡張拡散モデルと比較してパラメータの6.6倍、GMACの2.8倍の減少を達成する。 提案手法は, 高い復元品質を維持しつつ, 効率的な超解像を実現することを実証した。
• 参考スコア（独自算出の注目度）: 4.395931521489804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have recently demonstrated strong performance for image restoration tasks, including super-resolution. However, their large model size and iterative sampling procedures make them computationally expensive for practical deployment. In this work, we present TOC-SR, a framework for building efficient one-step super-resolution models by first discovering a compact diffusion backbone. Starting from a sixteen-channel latent diffusion model, we construct parameter-efficient surrogate blocks using feature-wise generative distillation and perform architecture discovery using epsilon-constrained Bayesian Optimization to minimize model complexity while preserving generative fidelity. The resulting compact diffusion backbone achieves a 6.6x reduction in parameters and a 2.8x reduction in GMACs compared to the expanded diffusion model. We then adapt this backbone for super-resolution and distill the diffusion process into a single-step generator. Experiments demonstrate that the proposed approach enables efficient super-resolution while maintaining strong reconstruction quality.
• Abstract（参考訳）: 拡散モデルは最近、超解像を含む画像復元タスクに強い性能を示した。 しかし、その大きなモデルサイズと反復的なサンプリング手順により、実用的な展開には計算コストがかかる。 本研究では,コンパクトな拡散バックボーンを初めて発見し,効率的な1ステップ超解像モデルを構築するためのフレームワークTOC-SRを提案する。 16チャンネルの潜伏拡散モデルから, 特徴量生成蒸留を用いてパラメータ効率のよいサロゲートブロックを構築し, エプシロン制約ベイズ最適化を用いて構造探索を行い, モデル複雑性を最小化し, 生成忠実性を維持した。 その結果、コンパクトな拡散バックボーンは、拡張拡散モデルと比較してパラメータの6.6倍、GMACの2.8倍の減少を達成する。 次に、このバックボーンを超高分解能に適応させ、拡散過程を単段発生器に蒸留する。 提案手法は, 高い復元品質を維持しつつ, 効率的な超解像を実現することを実証した。

関連論文リスト

• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。