論文の概要: PhoenixSR: Generative Heterogeneous Distillation Unleashes Efficient Models for Real-World Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.30988v1
• Date: Fri, 25 Sep 2026 08:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.298219
• Title: PhoenixSR: Generative Heterogeneous Distillation Unleashes Efficient Models for Real-World Super-Resolution
• Title（参考訳）: PhoenixSR: 生成的不均一蒸留は、実世界の超解法に有効なモデルをもたらす
• Abstract要約: 実世界の超解像(SR)は、複雑な低分解能観測から知覚的に現実的な高分解能像を復元する必要がある。 PhoenixSRは独立に設計されたフィードフォワードSRネットワークに拡散先行を転送する生成ヘテロジニアス蒸留フレームワークである。 3つのSRベンチマークと6つのフィードフォワードバックボーン(SwinIR、HAT、Real-ESRGAN、SeeeMoRe)の実験は、ほとんど保存された復元フィデリティと一貫した知覚的改善を示している。
• 参考スコア（独自算出の注目度）: 77.62046566633215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world image super-resolution (SR) requires recovering perceptually realistic high-resolution images from complex low-resolution observations while preserving faithful content. Diffusion-based SR benefits from strong generative priors but incurs substantial computational overhead, whereas feed-forward CNN and Transformer SR models are efficient yet often struggle to recover realistic high-frequency details. This motivates a natural question: can diffusion priors be transferred to existing diffusion-free SR networks without introducing diffusion components at inference time? To this end, we propose PhoenixSR, a generative heterogeneous distillation framework that transfers diffusion priors to independently designed feed-forward SR networks through score-based distribution matching. Rather than aligning heterogeneous features or imitating sampled diffusion outputs, PhoenixSR uses the pretrained diffusion model as distribution-level supervision, while paired SR supervision preserves reconstruction fidelity. To make distribution matching effective for fidelity-sensitive SR, we introduce Heterogeneous Distribution Adaptation, which adapts the target score to the SR domain, improves tracking of the evolving student distribution, and anchors training with paired supervision. We further employ Directional Reliability Weighting, a lightweight residual-consistency-based reweighting strategy that reduces unstable distributional guidance. All diffusion-related components are removed after training, leaving the original student architecture and inference cost unchanged. Experiments on three SR benchmarks and six feed-forward backbones, including SwinIR, HAT, Real-ESRGAN, and SeeMoRe, show consistent perceptual improvements with largely preserved reconstruction fidelity.
• Abstract（参考訳）: 実世界の超解像(SR)は、忠実なコンテンツを保存しながら、複雑な低解像度の観測から知覚的に現実的な高解像度像を復元する必要がある。 一方、フィードフォワードCNNとトランスフォーマーSRモデルは効率が良く、しばしば現実的な高周波の詳細を回復するのに苦労する。 拡散事前は、推論時に拡散成分を導入することなく、既存の拡散自由SRネットワークに転送できるのか? そこで本研究では,PhoenixSRを提案する。PhoenixSRは,拡散前の拡散を,スコアベースの分布マッチングを通じて独立に設計されたフィードフォワードSRネットワークに転送する,異種蒸留フレームワークである。 不均一な特徴の整列やサンプル拡散出力の模擬ではなく、PhoenixSRは事前訓練された拡散モデルを分布レベルの監督に使用し、ペアSRの監督は再構成の忠実性を保っている。 そこで本研究では,対象とするスコアをSR領域に適応させ,学生分布の追跡を改善し,相互監督によるトレーニングをアンカーするヘテロジニアス分布適応法を提案する。 さらに、不安定な分布誘導を減らす軽量な残留一貫性に基づく再重み付け戦略である方向性信頼性重み付けを採用する。 すべての拡散関連コンポーネントはトレーニング後に取り除かれ、元の学生アーキテクチャと推論コストは変わらない。 3つのSRベンチマークと6つのフィードフォワードバックボーン(SwinIR、HAT、Real-ESRGAN、SeeeMoRe)の実験は、ほとんど保存された復元フィデリティと一貫した知覚的改善を示している。

関連論文リスト

• MeanSR: Restoration Trajectory Learning for One-Step Perceptual Super-Resolution [50.60539317126614]
  MeanSRはLR条件の平均速度場を学習し、ノイズ入力から可算HR出力への有限時間遷移を直接キャプチャする。 実験の結果、MeanSRはCLIPIQA、MUSIQ、MANIQAでCTMSRより優れており、FLOPと推論遅延を大幅に低減していることがわかった。
  論文  参考訳（メタデータ） (2026-08-10T10:33:18Z)
• 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)
• Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution [22.963799508399365]
  最近の単一段階蒸留は推論を加速するが、認識歪んだトレードオフに直面している。 実時間ISR(IDaS-SR)の適応的インバージョンと劣化認識サンプリングを提案する。 IDaS-SRは決定論的復元と生成のボトルネックを埋める一段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-27T07:43:00Z)
• CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness [14.01813573738112]
  CASRは単純だが高効率な環状SRフレームワークであり、超磁化を非分布スケール遷移の列として再構成する。 この設計は、任意のスケールで安定な推論を保証し、単一のモデルしか必要としない。 単一モデルのみを用いながら, 分布のドリフトを著しく低減し, 長距離テクスチャの整合性を保ち, 極端倍率でも優れた一般化を実現する。
  論文  参考訳（メタデータ） (2026-02-25T18:05:51Z)
• Bidirectional Reward-Guided Diffusion for Real-World Image Super-Resolution [79.35296000454694]
  拡散に基づく超解像は、豊富な詳細を合成することができるが、合成ペアデータで訓練されたモデルは、現実世界のLR画像では失敗することが多い。 我々は,超解像を軌道レベルの優先最適化として定式化する報奨誘導拡散フレームワークであるBird-SRを提案する。 実世界のSRベンチマークの実験では、Bird-SRは知覚品質において最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-05T19:21:45Z)
• RAP-SR: RestorAtion Prior Enhancement in Diffusion Models for Realistic Image Super-Resolution [36.137383171027615]
  本稿では,Real-SRの事前学習拡散モデルにおける事前拡張手法であるRAP-SRを紹介する。 まず,QDAISP(Quality-Driven Aesthetic Image Selection Pipeline)を用いたHFAID(High-Fidelity Aesthetic Image dataset)を開発した。 第2に、復元優先分担(RPR)と再生指向分担最適化(ROPO)モジュールを含む再生優先分担フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T03:17:38Z)
• FaithDiff: Unleashing Diffusion Priors for Faithful Image Super-resolution [48.88184541515326]
  本稿では,忠実な画像SRのための遅延拡散モデル(LDM)のパワーをフル活用するために,FithDiffというシンプルで効果的な手法を提案する。 高品質画像上で事前学習した拡散モデルを凍結する既存の拡散ベースSR法とは対照的に,有用な情報を特定し,忠実な構造を復元する前に拡散を解き放つことを提案する。
  論文  参考訳（メタデータ） (2024-11-27T23:58:03Z)
• Improving the Stability and Efficiency of Diffusion Models for Content Consistent Super-Resolution [18.71638301931374]
  画像超解像 (SR) 結果の視覚的品質を高めるために, 予め訓練した潜伏拡散モデル (DM) の生成先行が大きな可能性を示唆している。 本稿では、生成SR過程を2段階に分割し、DMを画像構造再構築に、GANを細かな細部改善に使用することを提案する。 トレーニングを済ませると、提案手法、すなわちコンテンツ一貫性超解像(CCSR)は、推論段階における異なる拡散ステップの柔軟な利用を可能にする。
  論文  参考訳（メタデータ） (2023-12-30T10:22:59Z)

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。