論文の概要: EvTexture++: Event-Driven Texture Enhancement for Video Super-Resolution

• arxiv url: http://arxiv.org/abs/2606.13580v1
• Date: Thu, 11 Jun 2026 17:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.936963
• Title: EvTexture++: Event-Driven Texture Enhancement for Video Super-Resolution
• Title（参考訳）: EvTexture++: ビデオスーパーリゾリューションのためのイベント駆動型テクスチャ拡張
• Authors: Dachun Kai, Jiayao Lu, Yueyi Zhang, Xiaoyan Sun,
• Abstract要約: イベントベースの視覚は、超高時間分解能を含むその特徴のために、注目を集めている。 本稿では,ビデオスーパーレゾリューション(VSR)におけるテクスチャ強化に特化したイベント駆動フレームワークの焦点を,VSRにおけるテクスチャ強化にシフトさせる。 VSRにおけるテクスチャ強化に特化した,最初のイベント駆動型フレームワークであるEv-Texture++を提案する。
• 参考スコア（独自算出の注目度）: 35.16271328586752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event-based vision has drawn increasing attention owing to its distinctive properties, including ultra-high temporal resolution and extreme dynamic range. Recent works have introduced it to video super-resolution (VSR) to enhance flow estimation and temporal alignment. In contrast, this paper shifts the focus of event signals from motion refinement to texture enhancement in VSR. We propose EvTexture++, the first event-driven framework dedicated to texture enhancement in VSR. It leverages high-frequency spatiotemporal details from events to improve texture recovery. EvTexture++ incorporates a customized texture enhancement branch, along with an iterative texture enhancement module that progressively exploits high-temporal-resolution event information for texture restoration. This enables gradual refinement of texture regions across iterations, yielding more accurate and detailed high-resolution outputs. Besides intra-frame texture recovery, large motions could degrade inter-frame temporal consistency, particularly in texture regions, leading to texture flickering. To mitigate this, we further exploit the continuous-time motion cues of events to enhance temporal consistency, introducing a temporal texture alignment module that estimates event-guided texture-aware flow for precise inter-frame texture alignment. Moreover, EvTexture++ is designed as a plug-and-play tool to flexibly boost the performance of existing VSR models. Experiments on five datasets demonstrate that EvTexture++ achieves state-of-the-art performance. When integrated into recent VSR models, it yields significant improvements, with gains of up to 1.55 dB in PSNR on the texture-rich Vid4 dataset. Code: https://github.com/DachunKai/EvTexture.
• Abstract（参考訳）: イベントベースの視覚は、超高時間分解能や極端なダイナミックレンジなど、その特徴から注目されている。 近年,ビデオスーパーレゾリューション(VSR)に導入され,流れの推定と時間的アライメントが向上している。 対照的に、この論文は、イベント信号の焦点を、モーションリファインメントからVSRにおけるテクスチャエンハンスメントへシフトさせる。 VSRにおけるテクスチャ強化に特化した,最初のイベント駆動フレームワークであるEvTexture++を提案する。 イベントからの高頻度時空間的詳細を利用してテクスチャリカバリを改善する。 EvTexture++には、カスタマイズされたテクスチャ拡張ブランチと、テクスチャ復元のために時間分解性の高いイベント情報を段階的に活用する反復的なテクスチャ拡張モジュールが組み込まれている。 これにより、繰り返しにわたるテクスチャ領域の段階的な改善が可能となり、より正確で詳細な高解像度出力が得られる。 フレーム内のテクスチャリカバリに加えて、特にテクスチャ領域において、大きな動きはフレーム間の時間的一貫性を低下させる可能性がある。 これを軽減するため,時間的整合性を高めるためにイベントの連続的な動きの手がかりを更に活用し,時間的テクスチャアライメントモジュールを導入し,イベント誘導型テクスチャ認識フローを正確にフレーム間テクスチャアライメントアライメントとして推定する。 さらに、EvTexture++は既存のVSRモデルの性能を柔軟に向上させるプラグイン・アンド・プレイツールとして設計されている。 5つのデータセットの実験では、EvTexture++が最先端のパフォーマンスを実現している。 最新のVSRモデルに統合されると、テクスチャリッチなVid4データセット上でPSNRで最大1.55dBのゲインが得られ、大幅な改善がもたらされる。 コード:https://github.com/DachunKai/EvTexture.com

関連論文リスト

• SeqTex: Generate Mesh Textures in Video Sequence [62.766839821764144]
  本稿では3次元テクスチャ生成モデルのトレーニングのための新しいエンドツーエンドフレームワークであるSeqTexを紹介する。 画像条件とテキスト条件の両テクスチャ生成タスクにおいて,SeqTexは最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-06T07:58:36Z)
• PacTure: Efficient PBR Texture Generation on Packed Views with Visual Autoregressive Models [73.4445896872942]
  PacTureは、未ドメインの3Dメッシュから物理ベースのレンダリング(PBR)素材テクスチャを生成するためのフレームワークである。 ビューパッキング(View Packing)は、ビュー毎の有効解像度を高める新しいテクニックである。
  論文  参考訳（メタデータ） (2025-05-28T14:23:30Z)
• Make-A-Texture: Fast Shape-Aware Texture Generation in 3 Seconds [11.238020531599405]
  テキストプロンプトから高分解能テクスチャマップを効率的に合成する新しいフレームワークであるMake-A-Textureを提案する。 この手法の重要な特徴は、NVIDIA H100 GPUでわずか3.07秒のエンドツーエンドランタイム内で完全なテクスチャ生成を実現するという、その顕著な効率である。 本研究は,インタラクティブなテクスチャ作成やテキストガイドによるテクスチャ編集を含む,現実世界の3Dコンテンツ作成のためのテクスチャ生成モデルの適用性と実用性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-10T18:58:29Z)
• TEXGen: a Generative Diffusion Model for Mesh Textures [63.43159148394021]
  我々は、UVテクスチャ空間自体における学習の根本的な問題に焦点を当てる。 本稿では,点クラウド上にアテンション層を持つUVマップ上の畳み込みをインターリーブするスケーラブルなネットワークアーキテクチャを提案する。 テキストプロンプトとシングルビュー画像によって導かれるUVテクスチャマップを生成する7億のパラメータ拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-11-22T05:22:11Z)
• EvTexture: Event-driven Texture Enhancement for Video Super-Resolution [12.533062663642745]
  イベントベースの視覚は、高時間分解能や高ダイナミックレンジなどの独特の特徴により、注目されている。 本稿では,テクスチャ強化のためのイベント信号を利用した最初のVSR手法を提案する。 我々の手法はEvTextureと呼ばれ、VSRのテクスチャ領域をよりよく復元するためにイベントの高周波詳細を利用する。
  論文  参考訳（メタデータ） (2024-06-19T11:27:44Z)
• Paint-it: Text-to-Texture Synthesis via Deep Convolutional Texture Map Optimization and Physically-Based Rendering [47.78392889256976]
  Paint-itは3Dレンダリングのためのテキスト駆動の高忠実なテクスチャマップ合成法である。 Paint-itはScore-Distillation Sampling(SDS)を利用してテキスト記述からテクスチャマップを合成する 我々は,DC-PBRがテクスチャ周波数に応じて最適化カリキュラムをスケジュールし,SDSからノイズ信号を自然にフィルタすることを示した。
  論文  参考訳（メタデータ） (2023-12-18T17:17:08Z)
• SceneTex: High-Quality Texture Synthesis for Indoor Scenes via Diffusion Priors [49.03627933561738]
  SceneTexは、奥行き拡散前処理を用いた室内シーンの高品質でスタイルに一貫性のあるテクスチャを生成する新しい方法である。 SceneTexは3D-FRONTシーンの様々な正確なテクスチャ合成を可能にする。
  論文  参考訳（メタデータ） (2023-11-28T22:49:57Z)

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。