論文の概要: CASISR: Circular Arbitrary-Scale Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.08173v1
• Date: Tue, 05 May 2026 00:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.42291
• Title: CASISR: Circular Arbitrary-Scale Image Super-Resolution
• Title（参考訳）: CASISR: 円形の任意スケール画像超解像
• Authors: Honggui Li, Zhengyang Zhang, Dingtai Li, Sinan Chen, Nahid Md Lokman Hossain, Xinfeng Xu, Yinlu Qin, Ruobing Wang, Hantao Lu, Yuting Feng, Maria Trocan, Dimitri Galayko, Amara Amara, Mohamad Sawan,
• Abstract要約: 本稿では,画像再構成能力を高めるために,閉ループアーキテクチャである円形ASISRを提案する。 提案したCASISRアプローチは、画像再構成の品質において、最先端の8つのASISRアプローチより優れている。
• 参考スコア（独自算出の注目度）: 7.179611831951409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generalization performance (GP) of deep learning-based arbitrary-scale image super-resolution (ASISR) methods is subject to limited training datasets and unlimited testing datasets. It is vitally significant to enhance the GP of the pretrained ASISR models by making full use of the testing samples. The ASISR models usually employ an open-loop architecture from low-resolution (LR) images to super-resolution (SR) images. The degradation model from SR samples to LR samples is known bicubic down-sampling for the classical ASISR, is supposed down-sampling with additive random noise for the blind ASISR, and is learnable for the real-world ASISR. Combining the ASISR and degradation models, it is potentially possible to adopt a closed-loop architecture based on the automatic control theory for strengthening the GP of the ASISR methods. Therefore, this paper proposes a closed-loop architecture, circular ASISR (CASISR), to lift the capability of image reconstruction. A mathematical nonlinear loop equation is established to describe the CASISR, the reasonability of the CASISR is proven by conditional probability theory, and the stability of the CASISR is proven by Taylor series approximation. The first-order and second-order absolute difference images are defined to compare the image reconstruction performance of the ASISR and the CASISR methods. Comprehensive simulation experiments show that the proposed CASISR approach outperforms the eight state-of-the-art ASISR approaches in the quality of image reconstruction. Especially, the proposed CASISR is extraordinarily suitable for fractional SR scale factors and is extremely effective for text and stripe images with drastically changed edges.
• Abstract（参考訳）: 深層学習に基づく任意のスケール画像超解像法(ASISR)の一般化性能(GP)は、限られた訓練データセットと無制限のテストデータセットに該当する。 試験サンプルを十分に活用することにより、事前訓練されたASISRモデルのGPを強化することが極めて重要である。 ASISRモデルは、通常、低解像度(LR)画像から超解像度(SR)画像まで、オープンループアーキテクチャを使用する。 SRサンプルからLRサンプルへの分解モデルは、古典的なASISRに対するバイコビックなダウンサンプリングとして知られ、盲目のASISRに対する付加的ランダムノイズによるダウンサンプリングであり、現実世界のASISRには学習可能である。 ASISRと分解モデルを組み合わせることで、AISR法のGPを強化するための自動制御理論に基づくクローズドループアーキテクチャを採用することが可能である。 そこで本稿では,画像再構成能力を高めるために,閉ループアーキテクチャである円形ASISRを提案する。 数学的非線形ループ方程式はCASISRを記述するために確立され、CASISRの理性は条件確率理論によって証明され、CASISRの安定性はテイラー級数近似によって証明される。 ASISR法とCASISR法の画像再構成性能を比較するために,第1次および第2次絶対差画像を定義する。 総合シミュレーション実験により,提案手法は画像再構成の品質において8つの最先端のASISR手法より優れていることが示された。 特に,提案したCASISRは,部分的SRスケール因子に極めて適しており,エッジが大きく変化したテキストやストライプ画像に対して極めて有効である。

関連論文リスト

• Self-Supervised Image Super-Resolution Quality Assessment based on Content-Free Multi-Model Oriented Representation Learning [3.0175628677371935]
  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。
  論文  参考訳（メタデータ） (2026-02-11T11:15:34Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• One Model for Two Tasks: Cooperatively Recognizing and Recovering Low-Resolution Scene Text Images by Iterative Mutual Guidance [32.88048472109016]
  高分解能(HR)画像からのシーンテキスト認識(STR)は著しく成功したが、低分解能(LR)画像でのテキスト読取は依然として困難である。 近年,多くのシーンテキスト画像超解像(STISR)モデルがLR画像の超解像(SR)画像を生成するために提案され,SR画像上でSTRが実行されることにより認識性能が向上した。 本稿では,LRシーンのテキスト画像の同時認識と復元を効果的に行う,画像と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T15:05:25Z)
• Exploiting Self-Supervised Constraints in Image Super-Resolution [72.35265021054471]
  本稿では,SSC-SRと呼ばれる単一画像超解像のための新しい自己監督制約を提案する。 SSC-SRは、安定性を高めるために指数移動平均によって更新された二重非対称パラダイムとターゲットモデルを用いることで、画像の複雑さのばらつきに一意に対処する。 SSC-SRフレームワークはさまざまなベンチマークデータセットに対して,EDSR平均0.1dB,SwinIR平均0.06dBの大幅な拡張を実現している。
  論文  参考訳（メタデータ） (2024-03-30T06:18:50Z)
• 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)
• A comparative analysis of SRGAN models [0.0]
  実世界の画像のベンチマークデータセットを用いて,SRGAN(Super Resolution Generative Adversarial Network)モデル,ESRGAN,Real-ESRGAN,EDSRの性能評価を行った。 いくつかのモデルは、視覚的品質を維持しながら入力画像の解像度を著しく向上させるように見えるが、これはTesseract OCRエンジンを用いて評価される。
  論文  参考訳（メタデータ） (2023-07-18T17:35:45Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Kernel Adversarial Learning for Real-world Image Super-resolution [23.904933824966605]
  本稿では,Kernel Adversarial Learning Super- resolutionフレームワークを導入することで,現実のイメージSRのための低解像度画像をよりリアルに合成するプロセスを提案する。 提案フレームワークでは、劣化カーネルとノイズを明示的に指定するのではなく適応的にモデル化する。 また、モデルSR再構成精度をさらに高めるために、高周波選択的目的と反復的監視プロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-19T01:51:21Z)

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。