論文の概要: FreeTransformSR: Efficient Lightweight Image Super-Resolution via Free Low-Rank Learnable Transform
- arxiv url: http://arxiv.org/abs/2609.05912v2
- Date: Thu, 10 Sep 2026 07:46:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.031075
- Title: FreeTransformSR: Efficient Lightweight Image Super-Resolution via Free Low-Rank Learnable Transform
- Title（参考訳）: FreeTransformSR: 自由低域学習型変換による高効率軽量画像超解像
- Authors: Hongji Li, Yunhui Li,
- Abstract要約: 単一画像超解像は、低解像度入力から高解像度画像を再構成することを目的としている。
本稿では,チャネルワイドな低ランク学習可能変換に基づく,新しい軽量超解像ネットワークFreeTransformSRを提案する。
5つのベンチマークデータセットの実験により、FreeTransformSRはパラメータとFLOPを著しく少なくして、競合するPSNR/SSIM性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 0.549402648081308
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Single image super-resolution aims to reconstruct high-resolution images from low-resolution inputs. This paper proposes FreeTransformSR, a novel lightweight super-resolution network based on a channel-wise free low-rank learnable transform. The transform learns task-adaptive basis functions in a data-driven manner, enabling adaptive feature modulation with minimal parameter overhead. To further enhance high-frequency detail recovery, we introduce a local feature modulation branch that complements transform-domain processing with depthwise convolution. In addition, a soft complexity adaptive module dynamically fuses the outputs of local convolution and window self-attention branches through a lightweight gating network, adaptively adjusting the fusion ratio based on regional texture characteristics. An adaptive intensity modulation strategy is also incorporated to adjust transform-domain response strength at the sample level, enabling the network to dynamically adjust processing intensity according to input features. Extensive experiments on five benchmark datasets demonstrate that FreeTransformSR achieves competitive PSNR/SSIM performance with significantly fewer parameters and FLOPs. Specifically, FreeTransformSR achieves 32.41 dB on BSD100 x2 and 27.00 dB on Urban100 x4 with only 595K parameters, while delivering faster inference speed than competing methods, making it well-suited for deployment in resource-constrained scenarios. Source code is available at: https://github.com/HJiLi/FreeTransformSR.
- Abstract（参考訳）: 単一画像超解像は、低解像度入力から高解像度画像を再構成することを目的としている。
本稿では,チャネルワイドな低ランク学習可能変換に基づく,新しい軽量超解像ネットワークFreeTransformSRを提案する。
この変換はデータ駆動方式でタスク適応基底関数を学習し、最小パラメータオーバーヘッドで適応的特徴変調を可能にする。
より高頻度のディテールリカバリを実現するため,変換領域処理と深度畳み込みを補完する局所的特徴変調分岐を導入する。
さらに、ソフト複雑性適応モジュールは、軽量ゲーティングネットワークを介して局所畳み込みとウィンドウ自己保持分岐の出力を動的に融合させ、局所的なテクスチャ特性に基づいて融合比を適応的に調整する。
また、適応強度変調戦略を導入して、サンプルレベルでの変換ドメイン応答強度を調整し、入力特徴に応じてネットワークが処理強度を動的に調整できるようにする。
5つのベンチマークデータセットの大規模な実験により、FreeTransformSRはパラメータとFLOPが大幅に少ない競合PSNR/SSIM性能を達成することが示された。
具体的には、FreeTransformSRはBSD100 x2上の32.41 dBとUrban100 x4上の27.00 dBを595Kパラメータで達成し、競合するメソッドよりも高速な推論速度を提供する。
ソースコードはhttps://github.com/HJiLi/FreeTransformSR.comで入手できる。
関連論文リスト
- Ultra-High-Definition Restoration Transformers with Correlation Matching Transformation [113.23094779244771]
UHDformer++は、UHD(Ultra-High-Definition)イメージ復元タスクを解決するトランスフォーマーベースのフレームワークである。
1)マルチレベル特徴抽出のための高分解能空間(HR)、2)コンパクトで代表的な特徴を学習するための低分解能空間(LR)、3)低分解能特徴をSRからアップするための超分解能空間(SR)、そして4)最終画像復元のための低分解能融合再生空間(LHFR)である。
論文 参考訳（メタデータ） (2026-08-18T20:41:27Z) - LiteVSR: Lightweight Adaptation of Frozen Diffusion Transformers for Video Super-Resolution [73.85089704122315]
軽量な状態認識適応器を備えた冷凍トランスフォーマーを用いて,ビデオ超解法(VSR)を実現するミニマリストフレームワークを提案する。
LiteVSRは、たった11.25%のトレーニング可能なパラメータと1つのA100での12GPU時間のトレーニングで競争力のある復元品質を実現し、高速サンプリング(単一ステップまで)の互換性を維持している。
論文 参考訳（メタデータ） (2026-06-08T09:23:42Z) - WaveHiT-SR: Hierarchical Wavelet Network for Efficient Image Super-Resolution [44.55918322585521]
我々は(WaveHiT-SR)と呼ばれる階層型トランスフォーマーフレームワークにウェーブレット変換を埋め込み、新しいアプローチを提案する。
階層的な処理によって徐々に高解像度画像を再構成することにより、性能を犠牲にすることなく計算複雑性を低減させる。
SwinIR-Light, SwinIR-NG, SRFormer-Light の洗練されたバージョンでは最先端のSR結果が得られ, パラメータが少なく, FLOP が小さくなり, 高速化された。
論文 参考訳（メタデータ） (2025-08-27T14:37:50Z) - Dual-domain Modulation Network for Lightweight Image Super-Resolution [26.992373105057684]
軽量画像超解像(SR)は、低解像度画像から限られた計算コストで高解像度画像を再構成することを目的としている。
既存の周波数ベースSR法では、全体構造と高周波部品の再構築のバランスが取れない。
本稿では,ウェーブレット情報とフーリエ情報の両方を導入することで,コスト削減を図りながら,高周波特徴と全体のSR構造再構築を両立させることができることを示す。
論文 参考訳（メタデータ） (2025-03-13T04:59:46Z) - AdaptSR: Low-Rank Adaptation for Efficient and Scalable Real-World Super-Resolution [50.584551250242235]
AdaptSRは、現実世界のタスクにバイキュービックトレーニングされたSRモデルを効率的に再利用する低ランク適応フレームワークである。
実験の結果,AdaptSRはPSNRで最大4dB,実際のSRベンチマークで2%,GAN法と拡散型SR法より優れていた。
論文 参考訳（メタデータ） (2025-03-10T18:03:18Z) - Frequency-Aware Vision Transformers for High-Fidelity Super-Resolution of Earth System Models [0.0]
超解像法はスペクトルバイアスを示し、貴重な高周波の詳細よりも容易に低周波コンテンツを再構成する。
本稿では、ViSIR(Vision Transformer-Tuned Sinusoidal Implicit Representation)とViFOR(Vi Vision Transformer Fourier Representation Network)の2つの周波数対応フレームワークを紹介する。
その結果、ViFORは、気候データダウンスケーリングのための最先端でスケーラブルなソリューションとして確立された。
論文 参考訳（メタデータ） (2025-02-18T01:52:41Z) - Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution [6.857919231112562]
ウィンドウベーストランスは超高解像度タスクにおいて優れた性能を示した。
畳み込みニューラルネットワークよりも計算複雑性と推論レイテンシが高い。
線形適応ミキサーネットワーク(LAMNet)という,畳み込みに基づくトランスフォーマーフレームワークを構築する。
論文 参考訳（メタデータ） (2024-09-26T07:24:09Z) - Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。
CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。
CFSRは計算コストと性能のバランスが最適であることを示す実験である。
論文 参考訳（メタデータ） (2024-01-11T03:08:00Z) - Spatially-Adaptive Feature Modulation for Efficient Image
Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。
提案法は最先端のSR法よりも3倍程度小さい。
論文 参考訳（メタデータ） (2023-02-27T14:19:31Z)
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。