論文の概要: Interest Entanglement: The Hidden Barrier to Blind Super-Resolution Optimization

• arxiv url: http://arxiv.org/abs/2606.22353v1
• Date: Sun, 21 Jun 2026 06:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:42:43.430382
• Title: Interest Entanglement: The Hidden Barrier to Blind Super-Resolution Optimization
• Title（参考訳）: 興味深い絡み合い:超解像最適化のための隠れバリア
• Authors: Junxiong Lin, Xinji Mai, Qianyu Guo, Haoran Wang, Zeng Tao, Xuan Tong, Ivy Pan, Wenqiang Zhang,
• Abstract要約: 画像超解像タスクにおける忠実度と知覚品質のバランスをとる方法を示す。 本稿では,異なる最適化目標の学習プロセスを分離した共有特徴表現に基づく超解法フレームワーク(SFR)を提案する。 また,共有機能をよりよく活用するために,次元の縮小と拡張プロセスを通じて冗長な情報をフィルタリングするInfoSqueezeモジュールを提案する。
• 参考スコア（独自算出の注目度）: 33.76674489448376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fidelity and perceptual quality are two inherently competing and conflicting objectives in the image super-resolution (SR) task. Different loss functions focus on these objectives to varying extents. Regression losses enhance the model's fidelity but lack sufficient attention to high-frequency details, resulting in a loss of fine details. In contrast, perception losses improve the model's visual quality but may introduce undesirable artifacts. Balancing these two optimization goals can be viewed as a Multi-Objective Optimization problem. Existing methods are limited to cautiously adjusting weight parameters between these losses, overlooking the underlying Interest Entanglement problem. To address this problem, we explore the inherent frequency-domain conflict between the regression objective and the perceptual objective, and analyze the causes of Interest Entanglement in SR tasks. According to our findings, we propose the Shared-Feature-Representation based Super-Resolution framework (SFR), which decouples the learning process of different optimization objectives, allowing the model to explore a common optimization direction for both goals and achieve an effective balance between them. To better leverage shared features, we also proposed the InfoSqueeze module, which filters redundant information through a dimensionality reduction and expansion process, effectively transforming features into a consistent space. Quantitative and qualitative experiments across five representative datasets affirm the superiority of SFR.
• Abstract（参考訳）: 忠実度と知覚品質は、画像超解像(SR)タスクにおいて本質的に競合し、矛盾する目的である。 異なる損失関数は、これらの目的を様々な範囲に焦点をあてる。 回帰損失はモデルの忠実度を高めるが、高周波の詳細に十分な注意を払わず、細部が失われる。 対照的に、知覚損失はモデルの視覚的品質を改善するが、望ましくないアーティファクトを導入する可能性がある。 これら2つの最適化目標のバランスをとることは、多目的最適化問題と見なすことができる。 既存の手法は、これらの損失の間の重みパラメータを慎重に調整することに限定され、基礎となる関心絡み問題を見渡すことができる。 この問題に対処するために、回帰目標と知覚目標との固有周波数領域の衝突について検討し、SRタスクにおける関心絡みの原因を分析する。 このフレームワークは,異なる最適化目標の学習プロセスを分離し,モデルが両方の目標に対して共通の最適化方向を探索し,それらのバランスを効果的に達成することを可能にする。 また,共有機能をよりよく活用するために,次元の縮小と拡張プロセスを通じて冗長情報をフィルタリングするInfoSqueezeモジュールを提案し,効果的に特徴を一貫した空間に変換する。 5つの代表的なデータセットの定量的および定性的実験により、SFRの優位性が確認された。

関連論文リスト

• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• REWARD CONSISTENCY: Improving Multi-Objective Alignment from a Data-Centric Perspective [16.79332387603131]
  言語モデルにおける多目的的選好アライメントは、しばしば困難なトレードオフに遭遇する。 我々は、これらの衝突を効果的に軽減できるデータのタイプを明らかにするために、新しいデータ駆動アプローチを探求する。 生成したデータは、無害率と無害率の両方で平均13.37%向上し、無害度と無害度を最適化する。
  論文  参考訳（メタデータ） (2025-04-15T16:09:19Z)
• Perceptual-Distortion Balanced Image Super-Resolution is a Multi-Objective Optimization Problem [23.833099288826045]
  画素ベースの回帰損失を用いた単一画像超解法(SISR)モデルのトレーニングは、高い歪みメトリクススコアを得ることができる。 しかし、高周波の詳細の回復が不十分なため、しばしばぼやけた画像が生じる。 本稿では,Multi-Objective Optimization(MOO)をSISRモデルのトレーニングプロセスに組み込んで,知覚品質と歪みのバランスをとる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:04Z)
• Differentiation of Multi-objective Data-driven Decision Pipeline [34.577809430781144]
  実世界のシナリオは、しばしば多目的データ駆動最適化問題を含む。 従来の2段階の手法では、機械学習モデルを用いて問題係数を推定し、続いて予測された最適化問題に取り組むためにソルバを呼び出す。 近年の取り組みは、下流最適化問題から導かれる意思決定損失を用いた予測モデルのエンドツーエンドトレーニングに重点を置いている。
  論文  参考訳（メタデータ） (2024-06-02T15:42:03Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• Perception-Distortion Balanced Super-Resolution: A Multi-Objective Optimization Perspective [16.762410459930006]
  超解像(SR)のような画像復元作業における高知覚品質と低歪み度は重要な目標である 現在の勾配に基づく手法は、矛盾する損失の逆勾配方向のため、これらの目的のバランスをとるのが難しい。 本稿では、多目的最適化問題としてSRの知覚歪トレードオフを定式化し、勾配自由進化アルゴリズム(EA)と勾配ベースAdamを統合することにより、新しいアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-12-24T04:59:30Z)
• Learning Selective Mutual Attention and Contrast for RGB-D Saliency Detection [145.4919781325014]
  クロスモーダル情報を効果的に融合する方法は、RGB-Dの有能な物体検出の鍵となる問題である。 多くのモデルは特徴融合戦略を用いるが、低次点対点融合法によって制限されている。 本研究では,異なるモダリティから注目とコンテキストを融合させることにより,新たな相互注意モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-12T08:50:10Z)
• Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
  本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。 特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。 実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-28T08:31:23Z)
• Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution [5.258555266148511]
  単一画像超解法 (SISR) は不確定な数の有効解を持つ不確定問題である。 これらのパターンアーティファクトの根本原因は、知覚的損失の事前学習目標と超解答目標とのミスマッチに遡ることができる。
  論文  参考訳（メタデータ） (2020-05-15T12:36:54Z)

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。