論文の概要: DegBins: Degradation-Driven Binning for Depth Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.09628v1
• Date: Sun, 10 May 2026 16:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.340682
• Title: DegBins: Degradation-Driven Binning for Depth Super-Resolution
• Title（参考訳）: DegBins: 深度超解法のための劣化駆動型バインディング
• Authors: Zhiqiang Yan, Zhengxue Wang, Jian Yang, Gim Hee Lee,
• Abstract要約: DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。 DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 57.61783461543096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depth super-resolution (DSR) aims to recover a high-resolution (HR) depth map from its low-resolution (LR) counterpart. With color image guidance, this task is typically formulated as learning the residual between HR and LR in a low-dimensional feature space. However, this additive formulation is insufficient to accurately capture the complex relationship between HR and LR, especially under spatially varying degradations. In this paper, we introduce DegBins, a novel DSR framework that leverages degradation-driven binning to adaptively enhance residual modeling. Specifically, DegBins reformulates the regression-based DSR as a hybrid classification-regression problem, where the residual depth is represented as a linear combination of discrete depth bins weighted by their learned probability distribution, yielding more flexible and expressive representations. Furthermore, DegBins models the degradation relationship between HR and LR in a high-dimensional feature space, enabling adaptive bin range adjustment and probability optimization conditioned on local degradation characteristics. To progressively improve reconstruction quality, DegBins adopts a multi-stage refinement scheme, where each stage performs finer-grained bin partitioning and probability updating based on the former estimation. This coarse-to-fine design facilitates more accurate depth recovery, particularly in regions with severe degradations or complex structural variations. Extensive experiments across five benchmarks demonstrate that DegBins consistently outperforms existing state-of-the-art methods in terms of accuracy, robustness, and generalization.
• Abstract（参考訳）: 深度超解像(DSR)は、高分解能(HR)深度マップを低分解能(LR)マップから回収することを目的としている。 カラー画像誘導では、このタスクは一般に低次元の特徴空間におけるHRとLRの間の残差を学習するものとして定式化される。 しかし、この添加剤の定式化はHRとLRの複雑な関係を正確に捉えるには不十分である。 本稿では、劣化駆動型ビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークであるDegBinsを紹介する。 具体的には、DgBinsは回帰に基づくDSRをハイブリッド分類回帰問題として再定義し、残差深度は学習確率分布によって重み付けられた離散深度ビンの線形結合として表現され、より柔軟で表現力のある表現をもたらす。 さらに、DegBinsは高次元特徴空間におけるHRとLRの劣化関係をモデル化し、適応的なビン範囲調整と局所劣化特性に基づく確率最適化を可能にする。 再構成品質を段階的に向上させるために、DegBinsでは、各ステージがよりきめ細かなビン分割と事前推定に基づく確率更新を行うマルチステージ精錬方式を採用している。 この粗大な設計は、特に深刻な劣化や複雑な構造変化のある地域では、より正確な深度回復を促進する。 5つのベンチマークにわたる大規模な実験により、DegBinsは精度、堅牢性、一般化の点で既存の最先端手法を一貫して上回っていることが示された。

関連論文リスト

• SRGAN-CKAN: Expressive Super-Resolution with Nonlinear Functional Operators under Minimal Resources [2.036341257251742]
  SISR(Single-Image Super-Resolution)は、低分解能(LR)観測から高分解能(HR)画像を再構成することを目的としている。 近年の進歩は、トランスフォーマーベースのアーキテクチャと拡散モデルによって推進されている。 本稿では,コンボリュータル・コルモゴロフ・アルノルドネットワーク(CKAN)を逆学習環境に統合したハイブリッド超解像フレームワークSRGAN-CKANを提案する。
  論文  参考訳（メタデータ） (2026-05-02T14:19:19Z)
• Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines [4.6894180050630005]
  暗黙の神経表現(INR)を訓練して、細部を捉えることは、通常反復的なバックプロパゲーションに依存する。 ELM-INRは、ドメインを反復的に分解し、エクストリームラーニングマシン(ELM)をクローズド形式で各ローカル問題に適合させるバックプロパゲーションフリーINRである。 この設計は、局所予測器を一意に分割することで高速で数値的に堅牢な再構成をもたらす。
  論文  参考訳（メタデータ） (2026-02-07T16:12:39Z)
• Bidirectional Reward-Guided Diffusion for Real-World Image Super-Resolution [79.35296000454694]
  拡散に基づく超解像は、豊富な詳細を合成することができるが、合成ペアデータで訓練されたモデルは、現実世界のLR画像では失敗することが多い。 我々は,超解像を軌道レベルの優先最適化として定式化する報奨誘導拡散フレームワークであるBird-SRを提案する。 実世界のSRベンチマークの実験では、Bird-SRは知覚品質において最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-05T19:21:45Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• Meta-Learning based Degradation Representation for Blind Super-Resolution [54.93926549648434]
  メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。 我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。 教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
  論文  参考訳（メタデータ） (2022-07-28T09:03:00Z)

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。