論文の概要: SRT: Super-Resolution for Time Series via Disentangled Rectified Flow
- arxiv url: http://arxiv.org/abs/2606.07605v2
- Date: Tue, 09 Jun 2026 12:25:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.771379
- Title: SRT: Super-Resolution for Time Series via Disentangled Rectified Flow
- Title（参考訳）: SRT:不整流流による時系列の超解法
- Authors: Jufang Duan, Shenglong Xiao, Yuren Zhang,
- Abstract要約: Super-Resolution for Time series (SRT) は、不整流による低分解能入力で失われた時間パターンを再構成する。
SRTは入力をトレンドと季節成分に分解し、暗黙のニューラル表現を使用してターゲット解像度に整列する。
SRT-largeは、広範囲の事前トレーニングを備えたスケールアップバージョンで、強力なゼロショット超解像度機能を実現する。
- 参考スコア（独自算出の注目度）: 2.598062097407182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine-grained time series data with high temporal resolution is critical for accurate analytics across a wide range of applications. However, the acquisition of such data is often limited by cost and feasibility. This problem can be tackled by reconstructing high-resolution signals from low-resolution inputs based on specific priors, known as super-resolution. While extensively studied in computer vision, directly transferring image super-resolution techniques to time series is not trivial. To address this challenge at a fundamental level, we propose Super-Resolution for Time series (SRT), a novel framework that reconstructs temporal patterns lost in low-resolution inputs via disentangled rectified flow. SRT decomposes the input into trend and seasonal components, aligns them to the target resolution using an implicit neural representation, and leverages a novel cross-resolution attention mechanism to guide the generation of high-resolution details. We further introduce SRT-large, a scaled-up version with extensive pre-training, which enables strong zero-shot super-resolution capability. Extensive experiments on nine public datasets demonstrate that SRT and SRT-large consistently outperform existing methods across multiple scale factors, showing both robust performance and the effectiveness of each component in our architecture.
- Abstract（参考訳）: 時間分解能の高い細粒度時系列データは、広範囲のアプリケーションにわたる正確な分析に不可欠である。
しかし、そのようなデータの取得はコストと実現可能性によって制限されることが多い。
この問題は、超解像と呼ばれる特定の先行条件に基づいて、低分解能入力からの高分解能信号を再構成することで解決できる。
コンピュータビジョンで広く研究されているが、画像の超解像技術を直接時系列に転送することは簡単ではない。
この課題に基本的なレベルで対処するため,不整合整流による低分解能入力で失われた時間パターンを再構成する新しいフレームワークであるSuper-Resolution for Time series (SRT)を提案する。
SRTは、入力をトレンドと季節成分に分解し、暗黙のニューラル表現を使用してターゲット解像度に整列し、新しいクロスレゾリューションアテンション機構を活用して、高解像度の細部の生成を導く。
さらに,SRT-largeという拡張事前学習機能を備えたスケールアップ版を導入し,ゼロショット超解像能力の強化を実現した。
9つの公開データセットに対する大規模な実験により、SRTとSRTは、複数のスケールファクタで既存のメソッドを一貫して上回り、ロバストなパフォーマンスとアーキテクチャにおける各コンポーネントの有効性の両方を示します。
関連論文リスト
- Flow-based Gaussian Splatting for Continuous-Scale Remote Sensing Image Super-Resolution [5.111440805874026]
FlowGS は RSI の任意のスケール SR のための生成的再構成フレームワークである。
連続的な特徴場を構築するために2次元ガウススプラッティングを用い、任意のクエリ箇所で柔軟な再構成を可能にする。
論文 参考訳（メタデータ） (2026-05-21T08:19:09Z) - Fast Image Super-Resolution via Consistency Rectified Flow [65.54302099728712]
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。
論文 参考訳（メタデータ） (2026-05-12T16:42:38Z) - InfScene-SR: Spatially Continuous Inference for Arbitrary-Size Image Super-Resolution [3.6762434952581713]
InfScene-SRは、空間的に連続した超解像を可能にするフレームワークである。
拡散モデルの反復的精密化過程を、新しいガイド付きおよび分散補正融合機構で適用する。
論文 参考訳（メタデータ） (2026-02-23T11:34:59Z) - OSDEnhancer: Taming Real-World Space-Time Video Super-Resolution with One-Step Diffusion [64.10689934231165]
ビデオスーパーレゾリューションモデル(DM)は、ビデオスーパーレゾリューション(VSR)において極めて成功している。
時空ビデオスーパーレゾリューション(STVSR)の可能性は、低解像度から高解像度までのリアルな視覚コンテンツを回復する必要があるが、コヒーレントなダイナミックスでフレームレートを改善する必要がある。
提案するOSDEnhancerは,効率的なワンステップ拡散プロセスにより,実世界のSTVSRを初期化するための最初の手法である。
実験により,提案手法は実世界のシナリオにおいて優れた性能を維持しつつ,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2026-01-28T06:59:55Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - UltraVSR: Achieving Ultra-Realistic Video Super-Resolution with Efficient One-Step Diffusion Space [46.43409853027655]
拡散モデルは、現実的な画像の詳細を生成する大きな可能性を示している。
これらのモデルをビデオ超解像(VSR)に適応させることは、その性質と時間的モデリングの欠如により、依然として困難である。
我々は,超現実的で時間的に整合したVSRを,効率的なワンステップ拡散空間で実現するための新しいフレームワークであるUltraVSRを提案する。
論文 参考訳（メタデータ） (2025-05-26T13:19:27Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳（メタデータ） (2021-03-29T02:58:27Z) - MuCAN: Multi-Correspondence Aggregation Network for Video
Super-Resolution [63.02785017714131]
ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。
フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。
VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
論文 参考訳（メタデータ） (2020-07-23T05:41:27Z) - Time accelerated image super-resolution using shallow residual feature
representative network [0.0]
高いピーク信号対雑音比(PSNR)と優れた知覚品質を有する高解像度画像の再構成が可能となる。
既存のディープ畳み込みニューラルネットワークに関連する課題は、その計算複雑性と時間である。
両立型補間低分解能画像を入力として用い, 逐次的に積み重ねた残差非線形畳み込みを含む残差代表単位(RFR)を応用した, 革新的な浅部残差特徴代表ネットワーク(SRFRN)を開発した。
論文 参考訳（メタデータ） (2020-04-08T16:17:42Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-08T16:44:31Z)
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。