論文の概要: Decoupling Cross-Modality Manifold Discrepancy: Leveraging Visible Diffusion Priors for Infrared Super-Resolution
- arxiv url: http://arxiv.org/abs/2607.21174v1
- Date: Thu, 23 Jul 2026 10:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.377502
- Title: Decoupling Cross-Modality Manifold Discrepancy: Leveraging Visible Diffusion Priors for Infrared Super-Resolution
- Title（参考訳）: 可視拡散前駆体の赤外超解法への応用
- Abstract要約: 赤外画像超解像(IISR)は、低空間分解能によって課される制限を緩和する。
シフトIISR(Shift-IISR)と呼ばれる,2経路拡散に基づくIISRフレームワークを提案する。
提案手法は,拡散モデルの生成能力を維持しつつ,IISR結果の整合性を向上させるために設計されている。
- 参考スコア（独自算出の注目度）: 32.15857875352017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrared image super-resolution (IISR) mitigates the limitations imposed by low spatial resolution. Existing methods have recognized that IISR should preserve consistency in global distribution and structural information while enhancing image clarity. However, these methods are either insufficient or overly intrusive, a problem that becomes even more pronounced in diffusion-based models. To address these issues, we propose a dual-path diffusion-based framework for IISR, termed Shift-IISR. The proposed method is designed to improve the consistency of IISR results while preserving the generative capacity of diffusion models. Specifically, we develop a Global Representation Modulation (GRM) module to extract modality-specific information from infrared imagery and guide the global distribution of the diffusion model toward the ground truth. In addition, we introduce a Local Structure Refinement (LSR) module to encourage the model to focus on structural information at each step of the iterative denoising process. Extensive experiments demonstrate that the proposed method effectively improves distributional and structural consistency while maintaining competitive super-resolution performance. The source code of the proposed Shift-IISR can be available at https://github.com/Assassink8/Shift-IISR.
- Abstract（参考訳）: 赤外画像超解像(IISR)は、低空間分解能によって課される制限を緩和する。
既存の手法では、IISRは画像の明瞭度を高めつつ、グローバルな分布と構造情報の整合性を維持するべきであると認識されている。
しかし、これらの手法は不十分であるか過度に侵入的であり、拡散モデルではさらに顕著になる。
これらの問題に対処するために、シフト-IISRと呼ばれるIISRのためのデュアルパス拡散ベースのフレームワークを提案する。
提案手法は,拡散モデルの生成能力を維持しつつ,IISR結果の整合性を向上させるために設計されている。
具体的には、赤外線画像からモダリティ固有情報を抽出し、拡散モデルのグローバル分布を地平へ導くグローバル表現変調(GRM)モジュールを開発する。
さらに,反復的復調プロセスの各ステップにおいて,モデルが構造情報に集中するように促すために,局所的構造再構成 (LSR) モジュールを導入する。
大規模実験により,提案手法は, 競合する超解像性能を維持しつつ, 分布と構造の整合性を効果的に向上することを示した。
Shift-IISRのソースコードはhttps://github.com/Assassink8/Shift-IISRで入手できる。
関連論文リスト
- DNF-SR: Dual-Input and Negative-Aware Feature Fine-Tuning for Real-World Image Super-Resolution [50.847827209157494]
LRを拡散モデルに非媒介的に供給すると、モデルの元々の入力との分配ギャップが生じる。
本稿では,Real-ISRのためのDual-Input and Negative-Aware Feature Fine-tuning法を提案する。
この特性を利用して、高品質な結果を生み出すためのモデルであるNF2T(Negative-Aware Feature Fine-Tuning)を提案する。
論文 参考訳（メタデータ） (2026-09-14T06:53:22Z) - Rarity-Aware Discrete Diffusion with Spatially Consistent Decoding for Photo-Realistic Image Super-Resolution [80.28905986756685]
DiMOO-SRは光リアル画像超解法のための多モード離散拡散フレームワークである。
広く使われている実世界のSRベンチマークの実験では、DiMOO-SRはいくつかの並列デコードステップで競合する知覚品質を達成する。
論文 参考訳（メタデータ） (2026-07-20T07:01:01Z) - Efficient Difficulty-Aware Dynamic Routing for Diffusion-Based Real-World Image Super-Resolution [69.17533212524447]
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。
論文 参考訳（メタデータ） (2026-07-17T07:49:05Z) - SlimDiffSR: Toward Lightweight and Efficient Remote Sensing Image Super-Resolution via Diffusion Model Distillation [10.518150741228862]
SlimDiffSRは、現実世界のリモートセンシング画像の超高解像度化のための軽量で効率的な拡散ベースのフレームワークである。
推論アクセラレーションは最大200ドル、モデルパラメータはマルチステップの拡散モデルと比較して20ドルまで削減できる。
論文 参考訳（メタデータ） (2026-05-04T03:54:54Z) - Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution [3.663940075220745]
実世界SRのための劣化認識・構造保存拡散フレームワークを提案する。
具体的には,低分解能入力からの軽量劣化統計をエンコードする,分解対応のトークンインジェクションを提案する。
また、局所的なエッジ強度で拡散雑音を変調し、トレーニング中の構造領域をよりよく保存する空間非対称ノイズ注入法を提案する。
論文 参考訳（メタデータ） (2026-04-13T13:43:22Z) - Controllable Reference Guided Diffusion with Local Global Fusion for Real World Remote Sensing Image Super Resolution [9.658727475375565]
超解像技術は、リモートセンシング画像の空間分解能を高め、より効率的な大規模な地球観測アプリケーションを可能にする。
既存のRefSR手法は、クロスセンサーの解像度ギャップや重要な土地被覆の変化など、現実世界の複雑さに苦しむ。
実世界リモートセンシング画像SRのための新しい制御可能な参照誘導拡散モデルであるCRefDiffを提案する。
論文 参考訳（メタデータ） (2025-06-30T12:45:28Z) - GuideSR: Rethinking Guidance for One-Step High-Fidelity Diffusion-Based Super-Resolution [15.563111624900865]
GuideSRは、画像の忠実度を高めるために特別に設計された、単一ステップ拡散に基づく画像超解像(SR)モデルである。
提案手法は,PSNR, SSIM, LPIPS, DISTS, FIDなど,様々な基準ベースの指標において,既存の手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2025-05-01T17:48:25Z) - Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する
既存の二項化法では性能が著しく低下する。
画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文 参考訳（メタデータ） (2024-06-09T10:30:25Z) - Adaptive Multi-modal Fusion of Spatially Variant Kernel Refinement with Diffusion Model for Blind Image Super-Resolution [23.34647832483913]
我々は,Blind Image textbfSuper-textbfResolutionのための拡散モデルを用いた適応多モード固定法(Adaptive Multi-modal Fusion of textbfSpatially Variant Kernel Refinement with Diffusion Model)を提案する。
また,アダプティブ・マルチモーダル・フュージョン (AMF) モジュールを導入し,低解像度画像,深度マップ,ぼかしカーネルといった3つのモードからの情報を整列させる。
論文 参考訳（メタデータ） (2024-03-09T06:01:25Z) - Diffusion Models Without Attention [110.5623058129782]
Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。
拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
論文 参考訳（メタデータ） (2023-11-30T05:15:35Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳（メタデータ） (2023-03-29T07:02:20Z)
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。