論文の概要: MaCo-GAN: Manifold-Contrastive Adversarial Learning for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2606.05068v1
• Date: Wed, 03 Jun 2026 16:29:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.894681
• Title: MaCo-GAN: Manifold-Contrastive Adversarial Learning for Single Image Super-Resolution
• Title（参考訳）: MaCo-GAN:単一画像超解のためのマニフォールドコントラスト逆学習
• Authors: Daeyoung Han, Seongmin Hwang, Moongu Jeon,
• Abstract要約: 本稿では,従来の対数損失を教師付きコントラスト目的に置き換える,新しい多様体コントラストGANフレームワークを提案する。 提案手法のコアコンポーネントは,地上の真理(GT)データを,難易度の高い疑似画像のスペクトルに変換するダイナミックフェイクサンプルシンセサイザーである。 様々なベンチマークで知覚歪曲トレードオフが一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 5.741407725419445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Generative Adversarial Networks (GANs) for Single Image Super-Resolution (SISR) often struggle with hallucinated artifacts, largely because standard discriminators evaluate overall image naturalness rather than strict conditional realism. To address this, we propose MaCo-GAN, a novel manifold-contrastive GAN framework that replaces the conventional adversarial loss with a supervised contrastive objective. A core component of our method is a dynamic fake sample synthesizer that transforms ground truth (GT) data into a spectrum of challenging, perceptually plausible fake images that strictly maintain low-resolution (LR) correspondence. Utilizing these synthesized samples, we establish a robust contrastive minimax game: the generator is trained to attract its predictions toward on-manifold fakes (low distortion) and repel them from off-manifold fakes (high distortion), while the discriminator optimizes the exact opposite. By simply replacing the adversarial loss of a baseline SR model with our proposed objective, we demonstrate consistent improvements in the perception-distortion trade-off across various benchmarks. Extensive ablation studies validate the effectiveness of our framework and provide deep insights into the dynamics of this conditional contrastive game.
• Abstract（参考訳）: 単一画像超解法(SISR)のための従来のGAN(Generative Adversarial Networks)はしばしば、厳密な条件付き現実主義ではなく、全体像の自然性を評価するため、幻覚的アーティファクトに苦しむ。 そこで本稿では,従来の対数損失を教師付きコントラスト目的に置き換える,新しい多様体コントラストGANフレームワークであるMaCo-GANを提案する。 提案手法のコアコンポーネントは,地上の真理(GT)データを,低分解能(LR)対応を厳格に維持する難易度で可視性の高い偽画像のスペクトルに変換する,動的フェイクサンプルシンセサイザである。 ジェネレータは,これらの合成サンプルを利用して,オンマンフォールドフェイク(低歪み)に対する予測を引き付けるように訓練され,オフマンフォールドフェイク(高歪み)から退避する一方,ディスクリミネータは正反対を最適化する。 ベースラインSRモデルの逆方向の損失を,提案する目的に置き換えることにより,様々なベンチマークにおける知覚歪トレードオフの一貫性の向上を実証する。 大規模なアブレーション研究は、我々のフレームワークの有効性を検証し、この条件付きコントラストゲームのダイナミクスに関する深い洞察を提供する。

関連論文リスト

• Coloring the Noise: Adversarial Sobolev Alignment for Faithful Image Super Resolution [43.65326076389854]
  Image Super-Resolutionの創発的な先駆者は、しばしば忠実な修復を妥協する。 生成フローをソボレフ型幾何学に再キャストするフレームワークであるASASRを提案する。 ASASRは、スペクトルの一貫性と構造的忠実性を維持する上で、先進的な生成ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-22T06:06:51Z)
• Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
  高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。 我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。 CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2026-04-18T10:23:00Z)
• INSIGHT: An Interpretable Neural Vision-Language Framework for Reasoning of Generative Artifacts [0.0]
  現在の法医学システムは、現実世界の条件下で急速に低下している。 ほとんどの検出器は不透明物として機能し、なぜ画像が合成物としてフラグ付けされるのかについての知見はほとんど得られない。 本稿では,AI生成画像のロバスト検出と透過的説明のための統合フレームワークであるINSIGHTを紹介する。
  論文  参考訳（メタデータ） (2025-11-27T11:43:50Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
  我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。 本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
  論文  参考訳（メタデータ） (2020-12-08T23:00:48Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• Semi-Supervised Learning of Mutually Accelerated MRI Synthesis without Fully-Sampled Ground Truths [0.0]
  学習に基づく合成マルチコントラストMRIでは、ソースコントラストとターゲットコントラストの高品質な画像を用いて訓練されたディープモデルが一般的である。 本稿では,ソースコントラストとターゲットコントラストの高速な取得から,高品質なターゲット画像を直接復元することを学ぶ,新たな半教師付き深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-29T11:56:37Z)

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。