論文の概要: SR-Ground: Image Quality Grounding for Super-Resolved Content

• arxiv url: http://arxiv.org/abs/2605.21244v1
• Date: Wed, 20 May 2026 14:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.727566
• Title: SR-Ground: Image Quality Grounding for Super-Resolved Content
• Title（参考訳）: SR-Ground:超解像コンテンツのための画質グラウンド
• Authors: Artem Borisov, Evgeney Bogatyrev, Khaled Abud, Dmitriy Vatolin,
• Abstract要約: 本稿では,超解像の微細なアーティファクトセグメンテーションに特化して設計されたデータセットSR-Groundを紹介する。 このデータセットは、さまざまな最先端のSRモデルによって処理される画像と、複数のアーティファクトカテゴリのためのピクセルレベルのアノテーションから構成される。 我々は1,062人の参加者による大規模クラウドソーシング研究を行い、自動生成セグメンテーションの検証と精査を行う。 SR-Groundのグラウンド機能を持つIQAモデルのトレーニングにより,下流タスクの性能が大幅に向上することが実証された。
• 参考スコア（独自算出の注目度）: 0.9295952050309632
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Super-Resolution (SR) has advanced rapidly in recent years, with diffusion-based models achieving unprecedented fidelity at the cost of introducing new types of visual artifacts. While existing Image Quality Assessment (IQA) methods provide holistic quality scores, they lack interpretability and fail to distinguish between different artifact types arising from modern SR approaches. To address this gap, we introduce SR-Ground, a large-scale dataset specifically designed for fine-grained artifact segmentation in super-resolved images. The dataset comprises images processed by a diverse set of state-of-the-art SR models, with pixel-level annotations for multiple artifact categories. We conduct a large-scale crowdsourcing study involving 1,062 participants to validate and refine automatically generated segmentations, resulting in a high-quality dataset of 63,000 images spanning 6 distinct artifact types. We demonstrate that training IQA models with grounding capabilities on SR-Ground significantly improves performance on downstream tasks. Furthermore, we introduce a fine-tuning pipeline that leverages our grounding model to reduce perceptible artifacts in SR outputs, showcasing the practical utility of our dataset.
• Abstract（参考訳）: 超解法(SR)は近年急速に進歩しており、拡散に基づくモデルは新しい種類のビジュアルアーティファクトを導入するコストで前例のない忠実さを達成している。 既存の画像品質評価(IQA)手法は全体的な品質スコアを提供するが、解釈性に欠け、現代のSRアプローチと異なるアーティファクトタイプを区別できない。 このギャップに対処するために、超解像の微細なアーティファクトセグメンテーションに特化した大規模データセットSR-Groundを導入する。 このデータセットは、さまざまな最先端のSRモデルによって処理される画像と、複数のアーティファクトカテゴリのためのピクセルレベルのアノテーションから構成される。 我々は1,062人の参加者による大規模なクラウドソーシング調査を行い、自動生成セグメンテーションの検証と精査を行い、6つの異なるアーティファクトタイプにまたがる63,000の画像の高品質なデータセットを作成した。 SR-Groundのグラウンド機能を持つIQAモデルのトレーニングにより,下流タスクの性能が大幅に向上することが実証された。 さらに,SR出力の認識可能なアーティファクトを削減するために,グラウンドモデルを利用した微調整パイプラインを導入し,データセットの実用性を示す。

関連論文リスト

• Beyond Visual Fidelity: Benchmarking Super-Resolution Models for Large-Scale Remote Sensing Imagery via Downstream Task Integration [61.02313993032298]
  超分解能(SR)技術は低分解能入力から高分解能画像の再構成に大きな進歩をもたらした。 GeoSR-Benchは、SRモデルから改良された画像解像度と下流の地球モニタリングタスクを直接接続する最初のSRベンチマークである。 270の設定で実験を行い、2つのクロスプラットフォームSRタスク、9つのSRモデル、3つのダウンストリームタスクモデル、各SRタスクの5つのダウンストリームタスクをカバーした。
  論文  参考訳（メタデータ） (2026-05-01T00:44:46Z)
• Evaluating and Preserving High-level Fidelity in Super-Resolution [50.65679806442527]
  超解像モデル(SR)は、細部を再構築し、快適な視覚出力を提供することで印象的な効果を達成している。 しかし、過剰な生成能力は時として幻覚を起こし、画像の内容を変えることがある。 この種のハイレベルな変化は、人間によって容易に識別できるが、既存の低レベルの画像品質指標では十分に研究されていない。
  論文  参考訳（メタデータ） (2025-12-07T22:53:34Z)
• Prominence-Aware Artifact Detection and Dataset for Image Super-Resolution [0.7297638898415074]
  我々は、人工物は、一様二元的欠陥として扱われるのではなく、人間の観察者に対する卓越性によって特徴づけられるべきであると論じる。 そこで本研究では,11の現代の画像-SR手法から1302のアーティファクトを抽出した新しいデータセットを提案する。 我々は,空間的プロミネンス・ヒートマップを生成する軽量な回帰器を訓練し,優れたアーティファクトを検出するために既存の手法より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-10-19T08:28:53Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [78.21609845377644]
  本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。 生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。 2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
  論文  参考訳（メタデータ） (2024-02-22T09:39:46Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• Multiclass non-Adversarial Image Synthesis, with Application to Classification from Very Small Sample [6.243995448840211]
  我々は、新しい非逆生成法 - LA(Clustered Optimization of LAtent space)を提案する。 本手法は,全データレギュレーションにおいて,教師なしの多様なマルチクラス画像を生成することができる。 ラベル付き画像の小さなサンプルのみが、追加のラベル付きデータにアクセスせずにトレーニングできる小データ体制では、同じ量のデータでトレーニングされた最先端のGANモデルを上回る結果が得られる。
  論文  参考訳（メタデータ） (2020-11-25T18:47:27Z)

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。