論文の概要: TOLA: Text-aware One-Step Latent Adaptation for Diffusion-based Text Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.29240v1
• Date: Thu, 24 Sep 2026 08:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.797729
• Title: TOLA: Text-aware One-Step Latent Adaptation for Diffusion-based Text Image Super-Resolution
• Title（参考訳）: TOLA:拡散型テキスト画像超解像のためのテキスト対応ワンステップ遅延適応
• Abstract要約: テキスト画像超解像(TSR)は、未知の劣化の下で視覚的に忠実で読みやすいテキストを復元することを目的としている。 既存の拡散法は、高解像度画像またはそれ以前のテキストの多段階予測に依存している。 反復的な画像テキスト拡散を伴わないテキスト対応1ステップ遅延適応フレームワークTOLAを提案する。
• 参考スコア（独自算出の注目度）: 24.866488173238356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text image super-resolution (TSR) aims to recover visually faithful and readable text under unknown degradations. Existing diffusion-based methods typically rely on multi-step prediction of either the high-resolution image or its text prior, resulting in prohibitive computational cost and inference latency. More critically, an erroneous text prior may be repeatedly injected into the denoising process, causing image and text predictions to reinforce each other and progressively amplify an early recognition error into a sharp yet semantically incorrect character. To address these limitations, we propose TOLA, a Text-aware One-step Latent Adaptation framework without iterative image-text diffusion. TOLA consists of two key modules. First, a confidence-weighted text conditioning module constructs the semantic condition only once and suppresses unreliable OCR predictions before they contaminate image reconstruction. Second, a lightweight latent residual correction module explicitly estimates and corrects the structured residual errors to recover missing or distorted stroke details. Extensive experiments demonstrate our state-of-the-art performance across all evaluation metrics on both CTR-TSR-Test ($\times 4$) and RealCE-200 benchmarks. It is worth noting that our TOLA consistently surpasses existing diffusion-based TSR methods by at least 2.72 dB in PSNR on CTR-TSR-Test.
• Abstract（参考訳）: テキスト画像超解像(TSR)は、未知の劣化の下で視覚的に忠実で読みやすいテキストを復元することを目的としている。 既存の拡散法は、通常、高解像度画像またはテキスト先行の多段階予測に依存しており、計算コストと推論遅延が禁じられている。 より重要なことは、誤ったテキストが繰り返しデノナイジングプロセスに注入され、画像とテキストの予測が互いに強化され、早期認識エラーがシャープで意味的に誤りな文字に徐々に増幅される。 これらの制約に対処するために,反復的な画像テキスト拡散を伴わないテキスト対応1ステップ遅延適応フレームワークTOLAを提案する。 TOLAは2つの主要なモジュールから構成される。 まず、信頼度重み付きテキスト条件付けモジュールは、画像再構成を汚染する前に、セマンティック条件を1回だけ構築し、信頼できないOCR予測を抑える。 第二に、軽量の潜伏残差補正モジュールは、構造された残留誤差を明示的に推定し、補正し、欠落または歪んだストロークの詳細を回復する。 CTR-TSR-Test(\times 4$)とRealCE-200ベンチマークの両方で、すべての評価指標で最先端のパフォーマンスを実証しています。 注意すべき点は、我々のTOLAは、CTR-TSR-Test上のPSNRにおいて、既存の拡散ベースのTSR法を少なくとも2.72dB以上上回っていることである。

関連論文リスト

• Coupled Continuous-Discrete Generation for Scene Text Image Super-Resolution [51.31474187379532]
  Scene Text Image Super- resolution (STISR) は、劣化した入力から文字の意味を保ちながら、視覚的に可視な外観を回復することを目的としている。 本稿では,STISRを連成連続離散生成として定式化する統合フレームワークであるDualTSRを提案する。 条件付きフローマッチングは連続した画像ラテントを復元し、吸収状態の離散拡散はテキストトークンを再構成する。
  論文  参考訳（メタデータ） (2026-08-05T06:57:30Z)
• Cross-Resolution Semantic Transfer for Robust Text-to-Image Retrieval in Low-Resolution Surveillance [62.560024755525546]
  Cross-Resolution Semantic Transfer (CRST)はCLIPスタイルの3つのモジュールを持つフレームワークである。 実験により、CRSTは高解像度の精度を犠牲にすることなく混合分解能検索を安定化させながら、平均5.7%と5.3%で超低解像度のランク1とmAPを改善することが示された。
  論文  参考訳（メタデータ） (2026-06-29T15:24:03Z)
• PRISM: Prior Rectification and Uncertainty-Aware Structure Modeling for Diffusion-Based Text Image Super-Resolution [51.96078493242164]
  PRISMは単一ステップ拡散ベースのText-SRフレームワークである。 PRISMはミリ秒レベルの推論で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-13T05:31:06Z)
• DualTSR: Unified Dual-Diffusion Transformer for Scene Text Image Super-Resolution [52.962204748003394]
  Scene Text Image Super-Resolutionは、低解像度のテキスト画像における高解像度の詳細を復元することを目的としている。 しかし、既存の手法は、しばしば外部光学文字認識(OCR)モデルに依存している。 両問題に対処する統合エンドツーエンドフレームワークであるDualTSRを紹介する。
  論文  参考訳（メタデータ） (2026-03-15T03:50:47Z)
• 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)
• NCAP: Scene Text Image Super-Resolution with Non-CAtegorical Prior [0.0]
  Scene Text Image Super- resolution (STISR) は低解像度画像の解像度と画質を向上させる。 TPのような明示的なカテゴリーの先行は、誤ってSTISRに悪影響を及ぼす可能性がある。 事前訓練された認識器は、低解像度画像とのTP闘争を発生させるのに使われた。
  論文  参考訳（メタデータ） (2025-04-01T04:14:07Z)
• Improving Scene Text Image Super-resolution via Dual Prior Modulation Network [20.687100711699788]
  Scene Text Image Super- resolution (STISR) はテキスト画像の解像度と可視性を同時に向上することを目的としている。 既存のアプローチは、シーンテキストのセマンティックな決定性の境界であるテキストのグローバルな構造を無視している。 我々の研究はDPMN(Dual Prior Modulation Network)と呼ばれるプラグイン・アンド・プレイ・モジュールを提案する。
  論文  参考訳（メタデータ） (2023-02-21T02:59:37Z)
• Scene Text Image Super-Resolution in the Wild [112.90416737357141]
  低解像度のテキスト画像は、携帯電話が捉えた文書のような自然の場面でよく見られる。 従来は、合成低解像度画像に対して、単一の画像超解像法 (SISR) を訓練していた。 実際のシーンテキストSRデータセットであるTextZoomをプロポーズする。 この写真には、野生の焦点距離の異なるカメラが捉えた、実際の低解像度と高解像度の2つの画像が含まれている。
  論文  参考訳（メタデータ） (2020-05-07T09:18:59Z)

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。