論文の概要: EchoSR: Efficient Context Harnessing for Lightweight Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.17470v2
• Date: Tue, 19 May 2026 05:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.551394
• Title: EchoSR: Efficient Context Harnessing for Lightweight Image Super-Resolution
• Title（参考訳）: EchoSR: 軽量画像超解像のための効率的なコンテキスト調和
• Authors: Hanli Zhao, Binhao Wang, Shihao Zhao, Tao Wang, Kaihao Zhang, Wanglong Lu,
• Abstract要約: EchoSRは、軽量画像超解像のための効率的なコンテキスト調和フレームワークである。 マルチスケールの受容場モデリングと階層型コンテキスト融合を統一する。 複数のベンチマークで最先端の軽量超解像法を一貫して上回る。
• 参考スコア（独自算出の注目度）: 22.100613250016366
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image super-resolution (SR) aims to reconstruct high-quality, high-resolution (HR) images from low-resolution (LR) inputs and plays a critical role in various downstream applications. Despite recent advancements, balancing reconstruction fidelity and computational efficiency remains a fundamental challenge, particularly in resource-constrained scenarios. While existing lightweight methods attempt to expand receptive fields, many of them either incur substantial computational overhead, naively scale up kernel sizes, or lack mechanisms for coherent multi-scale integration, limiting their overall effectiveness and scalability. To address these limitations, we propose EchoSR, an efficient context-harnessing framework for lightweight image super-resolution, which unifies multi-scale receptive field modeling and hierarchical context fusion. EchoSR decouples feature learning into disentangled local, multi-scale, and global modeling stages through an efficient context-harnessing strategy, and further promotes seamless cross-scale integration via a cross-scale overlapping fusion mechanism. Extensive experiments have shown that EchoSR consistently outperforms state-of-the-art lightweight super-resolution methods across multiple benchmarks, while also achieving a faster speed $(\sim 2\times)$. The source code is available at https://github.com/funnyWang-Echoes/EchoSR.
• Abstract（参考訳）: 画像超解像(SR)は、低解像度(LR)入力から高品質で高解像度(HR)画像を再構成することを目的としており、下流の様々なアプリケーションにおいて重要な役割を果たす。 近年の進歩にもかかわらず、特に資源制約のあるシナリオでは、再構成の忠実さと計算効率のバランスが根本的な課題である。 既存の軽量な手法は受容場を拡大しようとするが、その多くが計算上のオーバーヘッドを発生させるか、カーネルサイズを過度にスケールアップするか、あるいはコヒーレントなマルチスケール統合のメカニズムが欠如しているため、全体的な効率性とスケーラビリティが制限されている。 これらの制約に対処するために,マルチスケールの受容場モデリングと階層的コンテキスト融合を統一した,軽量画像超解像のための効率的なコンテキスト調和フレームワークであるEchoSRを提案する。 EchoSRは、効率的なコンテキスト調和戦略を通じて、非絡み合ったローカル、マルチスケール、グローバルなモデリングステージへの特徴学習を分離し、クロススケールなオーバーラップ・フュージョン機構を通じてシームレスなクロススケール統合を促進する。 大規模な実験では、EchoSRは複数のベンチマークで最先端の軽量超解像法を一貫して上回り、高速な$(\sim 2\times)$も達成している。 ソースコードはhttps://github.com/funnyWang-Echoes/EchoSR.comで入手できる。

関連論文リスト

• HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
  イベントカメラは例外的な時間分解能と範囲(モード)を提供する RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
  論文  参考訳（メタデータ） (2025-10-22T13:15:13Z)
• Breaking Complexity Barriers: High-Resolution Image Restoration with Rank Enhanced Linear Attention [54.42902794496325]
  ソフトマックスアテンションの変種である線形アテンションは、グローバルコンテキストモデリングにおける約束を示す。 軽量な奥行き畳み込みを統合することで特徴表現を充実させる簡易かつ効果的な方法であるRランク拡張線形アテンション(RELA)を提案する。 本稿では,RELA をベースとした画像復元変換器 LAformer を提案する。
  論文  参考訳（メタデータ） (2025-05-22T02:57:23Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• Balancing Efficiency and Quality: MoEISR for Arbitrary-Scale Image Super-Resolution [11.256166497045792]
  我々は、新しい効率的なフレームワーク、Mixture-of-Experts Implicit Super-Resolution(MoEISR)を紹介する。 MoEISRは、軽量マッパーモジュールを使用して、最も適切なデコードの専門家を各ピクセルに動的に割り当てる。 実験により,MoEISRはピーク信号対雑音比 (PSNR) と同等あるいは優れたピーク信号対雑音比 (PSNR) を提供しながら,大量の浮動小数点演算 (FLOPs) を効果的に低減できることを示した。
  論文  参考訳（メタデータ） (2023-11-20T05:34:36Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Cross-MPI: Cross-scale Stereo for Image Super-Resolution using Multiplane Images [44.85260985973405]
  Cross-MPIは、新しい平面対応MPI機構、マルチスケールガイドアップサンプリングモジュール、超高分解能合成・融合モジュールからなるエンドツーエンドのRefSRネットワークである。 デジタル合成および光ズームクロススケールデータによる実験結果から,Cross-MPIフレームワークは既存のRefSR手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-11-30T09:14:07Z)

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。