論文の概要: Language-Assisted Super-Resolution from Real-World Low-Resolution Patches

• arxiv url: http://arxiv.org/abs/2606.31363v2
• Date: Thu, 02 Jul 2026 04:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.251955
• Title: Language-Assisted Super-Resolution from Real-World Low-Resolution Patches
• Title（参考訳）: リアルタイム低分解能パッチを用いた言語支援超解法
• Authors: Joonkyu Park, Kyoung Mu Lee,
• Abstract要約: 単一画像超解像は、低解像度(LR)入力から高解像度(HR)画像を再構成することを目的としている。 ほとんどの方法は、手作りのカーネルやカメラISPの調整によるHR画像の分解によってLR画像を合成する。 未ペアSRのための新しいフレームワークであるLA-SR(Language Assistant for SR)を提案する。
• 参考スコア（独自算出の注目度）: 57.798457338415005
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Single image super-resolution aims to reconstruct high-resolution (HR) images from low-resolution (LR) inputs. Training SR models typically requires paired HR-LR data, which is difficult to obtain in reality. As a result, most methods synthesize LR images by artificially degrading HR images with handcrafted kernels or camera ISP adjustments. However, these synthetic degradations fail to capture the complexity of real LR images, leading to poor generalization in practice. To address this, we observe that even within a single high-quality image, regions at different depths exhibit varying resolutions, where distant regions act as LR patches and closer ones as HR patches. This allows the extraction of real, degradation-induced LR patches from real images. Since these LR patches lack paired HR counterparts, we propose LA-SR (Language Assistant for SR), a novel framework for unpaired SR. The key idea of LA-SR is to redefine unpaired SR in the language space, using vision-language models to bridge the LR-HR gap. LA-SR projects images into a semantically rich space representing both content and quality, and applies two language-guided losses: linguistic content loss to preserve semantic fidelity, and linguistic quality loss to enhance perceptual realism. With this alignment, LA-SR effectively super-resolves real LR inputs, producing realistic outputs that overcome the limitations of synthetic-data-trained methods.
• Abstract（参考訳）: 単一画像超解像は、低解像度(LR)入力から高解像度(HR)画像を再構成することを目的としている。 SRモデルのトレーニングは通常、ペアのHR-LRデータを必要とするが、現実には取得が困難である。 その結果、ほとんどの手法は、手作りのカーネルやカメラISPの調整によるHR画像の分解によってLR画像を合成する。 しかし、これらの合成劣化は実際のLR画像の複雑さを捉えることができず、実際は一般化が不十分である。 これを解決するために、単一の高品質の画像であっても、異なる深さの領域は様々な解像度を示し、遠方の領域はLRパッチとして、より近い領域はHRパッチとして機能する。 これにより、実際の画像から劣化誘起LRパッチを抽出することができる。 これらのLRパッチにはHRのペアが欠けているため、未ペアSRのための新しいフレームワークであるLA-SR(Language Assistant for SR)を提案する。 LA-SRの鍵となる考え方は、LR-HRギャップを埋めるために視覚言語モデルを用いて、言語空間における未ペアSRを再定義することである。 LA-SRは、イメージを内容と品質の両方を表す意味的に豊かな空間に投影し、意味的忠実性を維持するための言語コンテンツ損失と、知覚的リアリズムを強化するための言語品質損失の2つの言語誘導的損失を適用している。 このアライメントにより、LA-SRは実LR入力を効果的に超解し、合成データ学習法の限界を克服する現実的な出力を生成する。

関連論文リスト

• Unsupervised Real-World Super-Resolution via Rectified Flow Degradation Modelling [16.485914675883972]
  教師なしの現実世界の超解像(SR)は、複雑な未知の劣化分布のために重要な課題に直面している。 既存の手法では、合成低分解能(LR)と高分解能(HR)画像対から実世界のデータへの一般化に苦慮している。 実世界の劣化を効果的に捉え,モデル化するために,整流に基づく教師なし実世界のSR手法を提案する。
  論文  参考訳（メタデータ） (2025-08-10T07:27:28Z)
• Undertrained Image Reconstruction for Realistic Degradation in Blind Image Super-Resolution [4.849820402342814]
  超解像度(SR)モデルは現実世界の低解像度(LR)画像と競合する。 ほとんどのSRモデルは現実世界のLR画像では性能が良くない。 本研究では,未訓練画像再構成モデルを用いたデータセット生成手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T16:33:58Z)
• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• Learning Many-to-Many Mapping for Unpaired Real-World Image Super-resolution and Downscaling [60.80788144261183]
  実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。 実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-08T01:48:34Z)
• Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution [73.86924594746884]
  ディープニューラルネットワークは、画像超解像において有望な性能を示した。 これらのネットワークは、低分解能(LR)画像から高分解能(HR)画像への非線形マッピング関数を学習する。 本稿では,可能な関数の空間を削減するために,LRデータに新たな制約を導入することで,二重回帰手法を提案する。
  論文  参考訳（メタデータ） (2020-03-16T04:23:42Z)
• Learning to Zoom-in via Learning to Zoom-out: Real-world Super-resolution by Generating and Adapting Degradation [91.40265983636839]
  本稿では,SR を任意の LR と HR 画像から学習するためのフレームワークを提案する。 我々は、劣化適応SRネットワークを学習しながら、生成されたデータと実データとの差を最小限にする。 提案手法は,ペア学習法をより好むデータセットであっても,実世界の画像上での最先端のSR結果を実現する。
  論文  参考訳（メタデータ） (2020-01-08T05:17:02Z)

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。