論文の概要: Efficient Difficulty-Aware Dynamic Routing for Diffusion-Based Real-World Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2607.15711v1
• Date: Fri, 17 Jul 2026 07:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.783925
• Title: Efficient Difficulty-Aware Dynamic Routing for Diffusion-Based Real-World Image Super-Resolution
• Title（参考訳）: 拡散に基づく実世界の超解像のための効率的な難易度動的ルーティング
• Abstract要約: 本稿では,厳密な一大処理パラダイムを克服するDDR(Difficulty-aware Dynamic Routing)戦略を提案する。 具体的には、各入力画像の復元コストを予測する難易度推定器を設計し、適切な容量のネットワークに自動的に割り当てることを可能にする。 近年の最先端手法と比較して,提案モデルの有効性と有効性を示す実験が盛んに行われている。
• 参考スコア（独自算出の注目度）: 69.17533212524447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based methods have achieved impressive performance in real-world image super-resolution (Real-ISR) by leveraging large pre-trained stable diffusion (SD) models as powerful generative priors. However, these methods still face two key limitations. First, existing SD-based one-step and multi-step Real-ISR approaches adopt a unified processing paradigm for all input samples, ignoring the varying restoration difficulty across images. Second, the aggressive resolution reduction of the VAE in SD models (e.g., 8x downsampling) leads to irreversible loss of fine-scale details, which cannot be recovered by the subsequent diffusion process. To address these limitations, we propose a Difficulty-aware Dynamic Routing (DDR) strategy that overcomes the rigid, one-size-fits-all processing paradigm. Specifically, we first design a difficulty estimator to predict the restoration cost of each input image, enabling automatic assignment to a network of appropriate capacity. Then, we construct a set of Real-ISR networks with varying model capacities by modulating the spatial downsampling ratio of the VAE in the SD backbone, thereby preserving more high-frequency information for challenging cases while maintaining efficiency for simpler inputs. Extensive experiments have demonstrated the superior efficiency and effectiveness of the proposed model compared to recent state-of-the-art methods.
• Abstract（参考訳）: 拡散に基づく手法は、大規模な事前学習型安定拡散(SD)モデルを強力な生成前駆体として活用することにより、実世界の超解像(Real-ISR)において顕著な性能を達成した。 しかし、これらの方法には2つの重要な制限がある。 まず、既存のSDベースのワンステップとマルチステップのReal-ISRアプローチは、画像間での復元困難を無視し、全ての入力サンプルに対して統一的な処理パラダイムを採用する。 第二に、SDモデル(例えば8倍のダウンサンプリング)におけるVAEの積極的な分解能の低下は、その後の拡散過程では回復できないような細部が不可逆的に失われる。 これらの制約に対処するため,厳密な一大処理パラダイムを克服するDDR(Difficulty-aware Dynamic Routing)戦略を提案する。 具体的には、まず、入力画像の復元コストを予測する難易度推定器を設計し、適切なキャパシティを持つネットワークに自動割り当てを可能にする。 そして、SDバックボーン内のVAEの空間的ダウンサンプリング比を調整し、より簡単な入力の効率を維持しつつ、困難なケースに対してより高周波情報を保持することにより、モデル容量の異なるReal-ISRネットワークを構築する。 近年の最先端手法と比較して,提案モデルの有効性と有効性を示す実験が盛んに行われている。

関連論文リスト

• VARestorer: One-Step VAR Distillation for Real-World Image Super-Resolution [76.19751531910039]
  本稿では,事前学習したテキストから画像へのVARモデルを,ワンステップのISRモデルに変換するフレームワークであるVARestorerを提案する。 VARestorerは、DIV2Kデータセット上で72.32 MUSIQと0.7669 CLIPIQAで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-23T09:09:36Z)
• Single-Step Latent Consistency Model for Remote Sensing Image Super-Resolution [7.920423405957888]
  RSISRタスクの効率性と視覚的品質を向上させるために,新しい単一ステップ拡散手法を提案する。 提案したLCMSRは,従来の拡散モデルの反復的なステップを50-1000以上から1ステップに短縮する。 実験の結果, LCMSRは効率と性能のバランスを効果的に保ち, 非拡散モデルに匹敵する推論時間を達成することがわかった。
  論文  参考訳（メタデータ） (2025-03-25T09:56:21Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• RealOSR: Latent Unfolding Boosting Diffusion-based Real-world Omnidirectional Image Super-Resolution [11.290865218020386]
  RealOSRは、単一ステップ拡散デノゲーションを持つ現実世界のODISR(Real-ODISR)のための新しい拡散ベースのアプローチである。 RealOSRは、視覚的品質とtextbf200$times$推論アクセラレーションの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-12-11T06:23:14Z)
• TSD-SR: One-Step Diffusion with Target Score Distillation for Real-World Image Super-Resolution [25.994093587158808]
  事前訓練されたテキスト-画像拡散モデルが、現実の画像超解像(Real-ISR)タスクにますます応用されている。 拡散モデルの反復的洗練された性質を考えると、既存のアプローチのほとんどは計算的に高価である。 実世界の超高解像度画像に特化して設計された新しい蒸留フレームワークであるTLD-SRを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:01:08Z)
• Adversarial Diffusion Compression for Real-World Image Super-Resolution [16.496532580598007]
  現実世界の超解像は、劣化した低分解能入力から高分解能画像を再構成することを目的としている。 OSEDiffやS3Diffのような一段階拡散ネットワークはこの問題を緩和するが、それでも高い計算コストがかかる。 本稿では,一段階拡散ネットワークOSEDiffを流線形拡散GANモデルに蒸留することにより,新しいリアルISR法AdcSRを提案する。
  論文  参考訳（メタデータ） (2024-11-20T15:13:36Z)
• Co-learning Single-Step Diffusion Upsampler and Downsampler with Two Discriminators and Distillation [28.174638880324014]
  超解像度(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。 単段階拡散に基づくアップサンプラーと学習可能なダウンサンプラーを協調的に最適化するコラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-10T07:12:46Z)
• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Degradation-Guided One-Step Image Super-Resolution with Diffusion Priors [75.24313405671433]
  拡散に基づく画像超解像法 (SR) は、事前訓練された大規模なテキスト・画像拡散モデルを先行として活用することにより、顕著な成功を収めた。 本稿では,拡散型SR手法の効率問題に対処する新しい一段階SRモデルを提案する。 既存の微調整戦略とは異なり、SR専用の劣化誘導低ランク適応 (LoRA) モジュールを設計した。
  論文  参考訳（メタデータ） (2024-09-25T16:15:21Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。