論文の概要: Fast Image Super-Resolution via Consistency Rectified Flow

• arxiv url: http://arxiv.org/abs/2605.12377v1
• Date: Tue, 12 May 2026 16:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.024424
• Title: Fast Image Super-Resolution via Consistency Rectified Flow
• Title（参考訳）: 整流流による高速画像超解像
• Authors: Jiaqi Xu, Wenbo Li, Haoze Sun, Fan Li, Zhixin Wang, Long Peng, Jingjing Ren, Haoran Yang, Xiaowei Hu, Renjing Pei, Pheng-Ann Heng,
• Abstract要約: 拡散モデル(DM)は現実世界の超解像(SR)において顕著な成功を収めた。 近年の取り組みでは、少数あるいは単一ステップのソリューションが導入されたが、既存の手法ではノイズの多い入力からプロセスを非効率にモデル化している。 本稿では,低分解能(LR)画像から高分解能(HR)画像への整流としてSR問題を再構成する新しいアプローチであるFlowSRを提案する。
• 参考スコア（独自算出の注目度）: 65.54302099728712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models (DMs) have demonstrated remarkable success in real-world image super-resolution (SR), yet their reliance on time-consuming multi-step sampling largely hinders their practical applications. While recent efforts have introduced few- or single-step solutions, existing methods either inefficiently model the process from noisy input or fail to fully exploit iterative generative priors, compromising the fidelity and quality of the reconstructed images. To address this issue, we propose FlowSR, a novel approach that reformulates the SR problem as a rectified flow from low-resolution (LR) to high-resolution (HR) images. Our method leverages an improved consistency learning strategy to enable high-quality SR in a single step. Specifically, we refine the original consistency distillation process by incorporating HR regularization, ensuring that the learned SR flow not only enforces self-consistency but also converges precisely to the ground-truth HR target. Furthermore, we introduce a fast-slow scheduling strategy, where adjacent timesteps for consistency learning are sampled from two distinct schedulers: a fast scheduler with fewer timesteps to improve efficiency, and a slow scheduler with more timesteps to capture fine-grained texture details. Extensive experiments demonstrate that FlowSR achieves outstanding performance in both efficiency and image quality.
• Abstract（参考訳）: 拡散モデル (DM) は実世界の画像超解像 (SR) において顕著な成功を収めている。 近年の取り組みでは、数段階または単一段階のソリューションが導入されたが、既存の手法では、ノイズの多い入力からプロセスを非効率にモデル化するか、繰り返し生成の先行を十分に活用できず、再構成された画像の忠実さと品質を損なう。 この問題に対処するために,低分解能(LR)から高分解能(HR)画像への整流としてSR問題を再構成する新しいアプローチであるFlowSRを提案する。 本手法は,改良された一貫性学習戦略を利用して,高品質なSRを単一ステップで実現する。 具体的には、HR正則化を取り入れ、学習されたSRフローが自己整合性を強制するだけでなく、地上のHR目標に正確に収束することを保証することによって、元の整合蒸留プロセスを洗練する。 さらに,2つの異なるスケジューラから,一貫性学習のための隣接時間ステップをサンプリングする高速スケジューラを導入し,効率を向上させるための時間ステップを少なくする高速スケジューラと,きめ細かいテクスチャの詳細を捉えるための時間ステップを多く含むスロースケジューラを提案する。 大規模な実験により、FlowSRは効率と画質の両方において優れた性能を発揮することが示された。

関連論文リスト

• TSD-SR: One-Step Diffusion with Target Score Distillation for Real-World Image Super-Resolution [25.994093587158808]
  事前訓練されたテキスト-画像拡散モデルが、現実の画像超解像(Real-ISR)タスクにますます応用されている。 拡散モデルの反復的洗練された性質を考えると、既存のアプローチのほとんどは計算的に高価である。 実世界の超高解像度画像に特化して設計された新しい蒸留フレームワークであるTLD-SRを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:01:08Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
  拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。 近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。 我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-08-14T11:47:22Z)
• AddSR: Accelerating Diffusion-based Blind Super-Resolution with Adversarial Diffusion Distillation [42.34219615630592]
  低分解能入力からの複雑な詳細で鮮明な高分解能画像の再構成における, 安定拡散ショーケースに基づくブラインド超解像法 その実用性はしばしば、数千から数百のサンプリングステップの要求に起因して、効率の悪さによって妨げられる。 効率の良い逆拡散蒸留 (ADD) にインスパイアされた我々は, 蒸留と制御ネットの両方のアイデアを取り入れることでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-04-02T08:07:38Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• SinSR: Diffusion-Based Image Super-Resolution in a Single Step [119.18813219518042]
  拡散モデルに基づく超解像(SR)法は有望な結果を示す。 しかし、それらの実践的応用は、必要な推論ステップのかなりの数によって妨げられている。 本稿では,SinSRという単一ステップのSR生成を実現するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T16:21:29Z)
• Super-resolution Reconstruction of Single Image for Latent features [8.857209365343646]
  単一像超解像(SISR)は、通常、様々な劣化した低分解能(LR)画像を単一の高分解能(HR)画像に復元することに焦点を当てる。 モデルが細部やテクスチャの多様性を保ちながら、高品質かつ迅速なサンプリングを同時に維持することは、しばしば困難である。 この課題は、モデル崩壊、再構成されたHR画像におけるリッチディテールとテクスチャの特徴の欠如、モデルサンプリングの過剰な時間消費などの問題を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-11-16T09:37:07Z)

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。