論文の概要: Perceptually Regularized Diffusion Model for Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.02016v1
• Date: Wed, 02 Sep 2026 02:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.034338
• Title: Perceptually Regularized Diffusion Model for Image Super-Resolution
• Title（参考訳）: 画像超解像に対する知覚正規化拡散モデル
• Authors: Chuxiangbo Wang, Pavithra Venkatachalapathy, Ying Liang, Min Wang, Jing Qin, Yifei Lou, Weihong Guo,
• Abstract要約: 画像超解像は、低解像度の観測から高解像度の画像を再構成することを目的としている。 従来のモデルベース手法は、手作りの正則化前の逆問題として超解法を定式化する。 本稿では,知覚的ロスに基づく正規化を通じて事前知識を取り入れた知覚的正規化拡散フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.558240494421995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image super-resolution, which aims to reconstruct high-resolution images from their low-resolution observations, is fundamental to medical imaging, remote sensing, surveillance, microscopy, and scientific visualization. Traditional model-based methods formulate super-resolution as an inverse problem with hand-crafted regularization priors. While interpretable and theoretically grounded, they rely on fixed assumptions and require computationally intensive iterative solvers. Deep learning methods offer data-driven flexibility by learning nonlinear mappings from low- to high-resolution images, among which diffusion models have achieved particularly impressive perceptual quality. However, the standard diffusion training objective is a pixel-domain noise-prediction loss that does not explicitly enforce perceptual fidelity, which can lead to oversmoothing and loss of fine image structure. To address these limitations, we propose a perceptually regularized diffusion framework that incorporates prior knowledge through perceptual-loss-based regularization, improving training convergence and encouraging the recovery of meaningful image features. Experiments on benchmark datasets demonstrate improved perceptual quality and competitive distortion metrics, highlighting the effectiveness of regularization for diffusion-based super resolution.
• Abstract（参考訳）: 画像超解像は、低解像度の観測から高解像度の画像を再構成することを目的としており、医療画像、リモートセンシング、監視、顕微鏡、科学的可視化の基礎となっている。 従来のモデルベース手法は、手作りの正則化前の逆問題として超解法を定式化する。 解釈可能で理論的な基礎を持つが、それらは固定された仮定に依存し、計算集約的な反復解法を必要とする。 深層学習法は,低解像度画像から高解像度画像への非線形マッピングを学習することにより,データ駆動の柔軟性を提供する。 しかし、標準的な拡散訓練の目的は、知覚の忠実さを明示的に強制しない画素領域ノイズ予測損失であり、微細な画像構造が過度に保たれる可能性がある。 これらの制約に対処するために、知覚的ロスに基づく正規化を通じて事前知識を取り入れ、トレーニング収束を改善し、有意義な画像特徴の回復を促す、知覚的正規化拡散フレームワークを提案する。 ベンチマークデータセットの実験では、知覚品質と競合歪みの指標の改善が示され、拡散に基づく超解像の正規化の有効性が強調された。

関連論文リスト

• High-Quality Exposure Correction with Diffusion-Based Image Generation Priors [21.76779505861656]
  画像露出補正のための新しいフレームワークDPEC(Diffusion Prior-based Exposure Correction)を提案する。 拡散モデルは、すべての複雑なテクスチャの詳細ではなく、低周波コンテンツを扱うことに焦点を当てる。 提案手法は,複数の露光補正データセットにおいて,既存の最先端手法よりも一貫して優れる。
  論文  参考訳（メタデータ） (2026-08-09T14:05:08Z)
• 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)
• Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
  適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。 IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。 実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-29T15:09:20Z)
• FAM Diffusion: Frequency and Attention Modulation for High-Resolution Image Generation with Stable Diffusion [63.609399000712905]
  スケールした解像度での推論は反復的なパターンと構造的歪みをもたらす。 これらの問題を解決するために組み合わせた2つの単純なモジュールを提案する。 我々の手法はファム拡散と呼ばれ、任意の潜在拡散モデルにシームレスに統合でき、追加の訓練を必要としない。
  論文  参考訳（メタデータ） (2024-11-27T17:51:44Z)
• Learning Diffusion Model from Noisy Measurement using Principled Expectation-Maximization Method [9.173055778539641]
  本稿では,任意の破損型を持つ雑音データから拡散モデルを反復的に学習する,原則的予測最大化(EM)フレームワークを提案する。 筆者らはモンテカルロ法を用いて,ノイズ測定からクリーンな画像を正確に推定し,次いで再構成画像を用いて拡散モデルを訓練した。
  論文  参考訳（メタデータ） (2024-10-15T03:54:59Z)
• ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
  本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。 注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。 本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:52:39Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Cross-resolution Face Recognition via Identity-Preserving Network and Knowledge Distillation [12.090322373964124]
  クロスレゾリューション顔認識は、現代の深層顔認識システムにとって難しい問題である。 本稿では,低分解能画像の低周波成分に蓄積される識別情報にネットワークを集中させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T14:52:46Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)

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。