論文の概要: GraftSR: Grafting Authentic Textures for Real-World Image Super-Resolution via Identical-Instance Guidance

• arxiv url: http://arxiv.org/abs/2608.25334v1
• Date: Wed, 26 Aug 2026 03:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.565865
• Title: GraftSR: Grafting Authentic Textures for Real-World Image Super-Resolution via Identical-Instance Guidance
• Title（参考訳）: GraftSR: Identical-Instance Guidanceによるリアルタイム画像超解法のための認証テクスチャのグラフ化
• Abstract要約: 拡散に基づく現実世界の超解像は印象的な品質を実現するが、本質的には厳しいテクスチャ幻覚に苦しむ。 テクスチャ参照誘導型生成SRフレームワークであるGraftSRを提案する。 これらの問題に対処するため、GraftSRは、クロスビューテクスチャ注入プロセスを体系的に分離する新しいデュアルマスク参照誘導機構を採用している。 基準から抽出する真正なテクスチャを明示的に分離し、ターゲット内に適用する場所を正確に特定することにより、GraftSRは脆い空間アライメントに頼ることなく、堅牢なテクスチャ転送を実現する。
• 参考スコア（独自算出の注目度）: 17.144521487918222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based real-world image super-resolution (SR) achieves impressive perceptual quality but inherently suffers from severe texture hallucination. To overcome this limitation, we propose GraftSR, a texture-reference-guided generative SR framework that leverages reference images of the identical instance to anchor the restoration of authentic textures. However, severe spatial misalignment between low-quality inputs and their references poses significant challenges, often leading to ambiguous transfer targets and background feature leakage. To address these issues, GraftSR employs a novel dual-mask reference guidance mechanism that systematically decouples the cross-view texture injection process. By explicitly isolating what authentic textures to extract from the reference and precisely localizing where to apply them within the target, GraftSR achieves robust texture transfer without relying on brittle spatial alignment. Furthermore, to bridge the critical gap in appropriate training data, we construct TexRefSR-141K, the first large-scale dataset providing high-quality reference tuples equipped with complementary spatial masks. Extensive experiments on our newly established benchmark, TexRefSR-Eval, demonstrate that GraftSR sets a new state-of-the-art. Notably, it reduces LPIPS by 20.2\% over top-performing baselines, achieving superior reference-faithful restoration.
• Abstract（参考訳）: 拡散に基づく実世界の超解像(SR)は、印象的な知覚品質を実現するが、本質的には重度のテクスチャ幻覚に苦しむ。 この制限を克服するために,同一インスタンスの参照画像を利用してテクスチャの復元を行うテクスチャ参照誘導型生成SRフレームワークGraftSRを提案する。 しかし、低品質な入力とその参照の間の空間的不整合は重大な問題を引き起こし、しばしば曖昧な転送ターゲットと背景の特徴リークにつながる。 これらの問題に対処するため、GraftSRは、クロスビューテクスチャ注入プロセスを体系的に分離する新しいデュアルマスク参照誘導機構を採用している。 基準から抽出する真正なテクスチャを明示的に分離し、ターゲット内に適用する場所を正確に特定することにより、GraftSRは脆い空間アライメントに頼ることなく、堅牢なテクスチャ転送を実現する。 さらに、適切なトレーニングデータにおいて重要なギャップを埋めるために、補似空間マスクを備えた高品質のタプルを提供する最初の大規模データセットであるTexRefSR-141Kを構築した。 新たに確立されたベンチマークであるTexRefSR-Evalでの大規模な実験は、GraftSRが新しい最先端の状態を設定していることを示している。 特に、LPIPSをトップパフォーマンスのベースラインで20.2\%削減し、より優れた参照忠実な復元を実現している。

関連論文リスト

• Efficient One-Step Diffusion Restoration Model with Compact Token Compression and Linear Attention [66.63806505114263]
  既存のReal-ISR法は、高密度な潜在表現と2次コストのグローバルモデリングパラダイムを継承する。 重要なボトルネックは、高分解能回復中の過剰なトークン冗長性とコストのかかるトークン相互作用にある、と我々は主張する。 我々は,LRA微細調整によるリニアアテンションDiTを導入し,リニア複雑トークン混合による高分解能復元を実現した。
  論文  参考訳（メタデータ） (2026-05-22T10:07:02Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• GramSR: Visual Feature Conditioning for Diffusion-Based Super-Resolution [21.121037498869672]
  GramSRは、DINOv3エンコーダを用いて低解像度入力から抽出された高密度な視覚的特徴をテキストコンディショニングに置き換える1ステップの拡散ベースの超解像度フレームワークである。 標準SRベンチマークの実験では、GramSRは既存の1段階拡散法より一貫して優れており、優れた構造忠実性とテクスチャリアリズムを実現している。
  論文  参考訳（メタデータ） (2026-04-28T10:05:27Z)
• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning [59.013863248600046]
  本稿では,空間的に再焦点を絞ったテキストコンディショニングを推論時に洗練する超解像フレームワークを提案する。 第二に,非接地画素に対するテキストの影響を選択的に回避し,幻覚を防ぐ空間的自由誘導機構を導入する。
  論文  参考訳（メタデータ） (2025-10-26T05:03:55Z)
• RASR: Retrieval-Augmented Super Resolution for Practical Reference-based Image Restoration [41.50858324338511]
  RefSRは、高品質な参照画像を活用して、テクスチャの忠実さと視覚リアリズムを高めることで、Single Image Super Resolution (SISR)を改善している。 既存のRefSRアプローチは、手動でキュレートされたターゲット参照イメージペアに依存している。 Retrieval-Augmented Super Resolution (RASR) は参照データベースから意味論的に関連する高解像度画像を自動的に抽出する新しい実用的なRefSRパラダイムである。
  論文  参考訳（メタデータ） (2025-08-13T03:05:20Z)
• Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns [4.977925450373957]
  超解像再構成モデルのトレーニングのための新しいTripleGANフレームワークを提案する。 このフレームワークは、LR観測から実世界の劣化パターンを学習し、対応する劣化特性を持つデータセットを合成する。 本手法は, 過スムーズなアーティファクトを伴わずに, 鋭い復元を維持しながら, 定量的な測定値に明らかな利点を示す。
  論文  参考訳（メタデータ） (2025-06-20T14:24:48Z)
• A Feature Reuse Framework with Texture-adaptive Aggregation for Reference-based Super-Resolution [29.57364804554312]
  参照ベース超解像(RefSR)は超解像の分野で大きな成功を収めている。 本稿では,ステップバイステップのテクスチャ再構築プロセスをガイドする機能再利用フレームワークを提案する。 単一画像特徴埋め込みモジュールとテクスチャ適応アグリゲーションモジュールを導入する。
  論文  参考訳（メタデータ） (2023-06-02T12:49:22Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Learning Texture Transformer Network for Image Super-Resolution [47.86443447491344]
  画像超解像のためのテクスチュアトランスフォーマネットワーク(TTSR)を提案する。 TTSRは画像生成タスクに最適化された4つの近縁なモジュールで構成されている。 TTSRは、定量評価と定性評価の両方において最先端のアプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-06-07T12:55:34Z)

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。