論文の概要: Hierarchical Image Tokenization for Multi-Scale Image Super Resolution

• arxiv url: http://arxiv.org/abs/2605.14891v1
• Date: Thu, 14 May 2026 14:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.87708
• Title: Hierarchical Image Tokenization for Multi-Scale Image Super Resolution
• Title（参考訳）: マルチスケール画像超解像のための階層的画像トークン化
• Authors: Isma Hadji, Enrique Sanchez, Adrian Bulat, Brais Martinez, Georgios Tzimiropoulos,
• Abstract要約: 本稿では,ビジュアルオートレグレッシブ(VAR)モデリングの最近の進歩に基づいて,マルチスケール画像スーパーレゾリューション(ISR)手法を提案する。 ISRのVARトレーニングには2つの新しいコンポーネントを導入し、柔軟性の向上と複雑さの低減を目的としている。 我々の提案したHITは、VARトレーニングの強い誘導バイアスとして機能し、その結果、外部トレーニングデータなしで最先端の結果が得られる小さなモデルとなった。
• 参考スコア（独自算出の注目度）: 47.66856101347057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a multi-scale Image Super Resolution (ISR) method building on recent advances in Visual Auto-Regressive (VAR) modeling. VAR models break image tokenization into additive, gradually increasing scales, using Residual Quantization (RQ), an approach that aligns perfectly with our target ISR task. Previous works taking advantage of this synergy suffer from two main shortcomings. First, due to the limitations in RQ, they only generate images at a predefined fixed scale, failing to map intermediate outputs to the corresponding image scales. They also rely on large backbones or a large corpus of annotated data to achieve better performance. To address both shortcomings, we introduce two novel components to the VAR training for ISR, aiming at increasing its flexibility and reducing its complexity. In particular, we introduce a) a \textbf{Hierarchical Image Tokenization (HIT)} approach that progressively represents images at different scales while enforcing token overlap across scales, and b) a \textbf{Direct Preference Optimization (DPO) regularization term} that, relying solely on the (LR,HR) pair, encourages the transformer to produce the latter over the former. Our proposed HIT acts as a strong inductive bias for the VAR training, resulting in a small model (300M params vs 1B params of VARSR), that achieves state-of-the-art results without external training data, and that delivers multi-scale outputs with a single forward pass.
• Abstract（参考訳）: 本稿では,ビジュアルオートレグレッシブ(VAR)モデリングの最近の進歩に基づいて,マルチスケール画像スーパーレゾリューション(ISR)手法を提案する。 VARモデルは、画像トークン化を段階的に拡大し、Residual Quantization (RQ)を用いて画像トークン化を行う。 このシナジーを利用する以前の作品は2つの主要な欠点に悩まされていた。 まず、RQの制限のため、あらかじめ定義された固定スケールでのみ画像を生成し、中間出力を対応する画像スケールにマッピングできない。 また、パフォーマンス向上のために、大きなバックボーンや注釈付きデータの大きなコーパスにも依存している。 両欠点に対処するため,IDRのVARトレーニングに2つの新しいコンポーネントを導入し,柔軟性の向上と複雑性の低減を目的とした。 特に紹介する a) 異なるスケールの画像を段階的に表現し、スケールにまたがるトークンの重複を強制する \textbf{Hierarchical Image Tokenization (HIT) アプローチ b) a \textbf{Direct Preference Optimization (DPO) regularization term {\displaystyle \textbf{Direct Preference Optimization (DPO) regularization term} は、(LR,HR)ペアのみに依存して、トランスフォーマーが前者よりも後者を生成することを奨励する。 提案したHITは,VARトレーニングにおいて強い帰納バイアスとして機能し,より小さなモデル(VARSRの300Mparams vs 1B params)が得られた。

関連論文リスト

• VARestorer: One-Step VAR Distillation for Real-World Image Super-Resolution [76.19751531910039]
  本稿では,事前学習したテキストから画像へのVARモデルを,ワンステップのISRモデルに変換するフレームワークであるVARestorerを提案する。 VARestorerは、DIV2Kデータセット上で72.32 MUSIQと0.7669 CLIPIQAで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-23T09:09:36Z)
• VOSR: A Vision-Only Generative Model for Image Super-Resolution [28.65862989487937]
  生成画像超解像(SR)のためのビジョンオンリー生成フレームワークを提案する。 まず、事前学習された視覚エンコーダを視覚的意味指導として用いて、LR入力から意味豊かで空間的に接地された特徴を抽出する。 以上の結果から,マルチモーダルプレトレーニングを行なわずに,高品質な生成SRを実現できることが示された。
  論文  参考訳（メタデータ） (2026-04-03T17:50:29Z)
• Multi-scale Image Super Resolution with a Single Auto-Regressive Model [40.77470215283583]
  視覚的自己回帰(VAR)モデリングの最近の進歩を利用して、画像超解像(ISR)に取り組む。 我々の知る限りでは、量子化器が様々なスケールで意味的に一貫した残留を強制するために訓練されたのはこれが初めてである。 本モデルでは, LR画像と超解像を, 1回の前方通過で, 目標値の半値と全値でデノマイズすることができる。
  論文  参考訳（メタデータ） (2025-06-05T13:02:23Z)
• Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment [51.99765487172328]
  CoZ(Chain-of-zoom)は、SISRをマルチスケール対応プロンプトを備えた中間スケールステートの連鎖に分解するフレームワークである。 視覚的手がかりは高倍率で減少するため、視覚言語モデル(VLM)によって生成されたマルチスケール対応テキストプロンプトで各ズームステップを拡大する。 実験により、CoZでラップされた標準4x拡散SRモデルが256倍拡大し、高い知覚品質と忠実度が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-24T08:50:08Z)
• FlowAR: Scale-wise Autoregressive Image Generation Meets Flow Matching [34.112157859384645]
  本稿では,合理化スケール設計を特徴とする次世代のスケール予測手法であるFlowARを紹介する。 これにより、VARの複雑なマルチスケール残留トークン化器が不要になる。 課題であるImageNet-256ベンチマークにおけるFlowARの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-19T18:59:31Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single Image Super-Resolution and Beyond [75.37541439447314]
  単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。 本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
  論文  参考訳（メタデータ） (2021-05-21T15:47:18Z)

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。