Fugu-MT 論文翻訳(概要): Self-Reconstruction Dynamics for Autoencoder Reconstruction Refinement

論文の概要: Self-Reconstruction Dynamics for Autoencoder Reconstruction Refinement

arxiv url: http://arxiv.org/abs/2609.32268v1
Date: Sat, 26 Sep 2026 05:51:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 18:17:10.254299
Title: Self-Reconstruction Dynamics for Autoencoder Reconstruction Refinement
Title（参考訳）: オートエンコーダ再構築のための自己再構成ダイナミクス
Abstract要約: SRD(Self-Reconstruction Dynamics)は、再建の修正のためのサンプル固有の情報を含む。 SRD-RRは、AEが凍結され、サンプルごとのテスト時間がない短いSRDから潜時補正を予測する。 SRD由来の擬似ターゲットを使用して、オリジナルの画像に直接アクセスせずに訓練された2遷移は、40.7%の回復と1.74dBのPSNRゲインを達成した。
参考スコア（独自算出の注目度）: 1.5313864176694827
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Standard autoencoder (AE) inference uses a single encoder-decoder pass, though the latent may not be optimal for each sample under a fixed decoder. We ask whether a trained AE can reveal information for improving its own reconstruction. Repeated application of a frozen AE to its reconstruction produces transient image- and latent-space trajectories, termed Self-Reconstruction Dynamics (SRD). Although this degrades fidelity in the AEs studied here, SRD contains sample-specific information for correcting the reconstruction. We propose SRD-guided Reconstruction Refinement (SRD-RR), which predicts a latent correction from a short SRD with the AE frozen and no per-sample test-time optimization. We also introduce MSE-recov, an MSE recovery ratio relative to an empirical decoder-optimized reference. Across six datasets, SRD-RR recovers 38.6% of the empirically recoverable MSE gap with one transition and 45.3% with two. A two-transition variant trained without direct access to original images, using an SRD-derived pseudo-target, achieves 40.7% recovery and a 1.74 dB average PSNR gain. Removing trajectory information reduces the gain, while cross-sample trajectory assignment causes severe degradation, confirming strong sample specificity. Nonlinear SRD-conditioned refinement consistently outperforms fixed and trained linear latent correction. On a pretrained DINOv2-based representation autoencoder (RAE) with substantially different latent dynamics, SRD conditioning again improves a matched trajectory-free predictor. However, pixel-MSE latent refinement reveals a strong mismatch between pixel fidelity and perceptual quality, while the SRD-derived pseudo-target mitigates this degradation. Overall, SRD is a useful sample-specific refinement signal, while the objective determines how it translates into pixel and perceptual quality.
Abstract（参考訳）: 標準オートエンコーダ(AE)推論では1つのエンコーダ-デコーダパスを使用するが、固定されたデコーダの下では各サンプルに対してラテントが最適でない可能性がある。我々は、訓練されたAEが自己再建を改善するための情報を明らかにすることができるかどうかを問う。凍結AEの再構成への繰り返し適用は、SRD(Self-Reconstruction Dynamics)と呼ばれる過渡的な画像と潜時空間の軌道を生成する。これはAEsの忠実度を低下させるが、SRDには再建の修正のためのサンプル特異的情報が含まれている。本研究では,AE凍結による短いSRDから潜時補正を予測し,サンプルごとのテスト時間最適化を行わないSRD誘導再構成(SRD-RR)を提案する。また,実証復号器最適化基準に対するMSE回収率であるMSE-recovも導入した。 6つのデータセットで、SRD-RRは1つの遷移と2つの遷移で、経験的に回復可能なMSEギャップの38.6%を回復する。 SRD由来の擬似ターゲットを使用して、オリジナルの画像に直接アクセスせずに訓練された2遷移型は、40.7%の回復と平均1.74dBのPSNRゲインを達成した。軌道情報の除去は利得を減少させる一方、クロスサンプル軌道の割り当ては厳しい劣化を引き起こし、強いサンプル特異性を確認する。非線形SRD条件による改善は、固定および訓練された線形潜在補正よりも一貫して優れる。 DINOv2-based representation autoencoder (RAE) の遅延ダイナミクスが大幅に異なる場合、SRD条件付けは一致しない軌道予測器を再び改善する。しかし,SRD由来の擬似ターゲットは,この劣化を緩和する一方,画素の忠実度と知覚品質との間に強いミスマッチが生じる。全体として、SRDは有用なサンプル特異的精製信号であり、目的は、どのようにピクセルや知覚品質に変換するかを決定する。

関連論文リスト

PhoenixSR: Generative Heterogeneous Distillation Unleashes Efficient Models for Real-World Super-Resolution [77.62046566633215]
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。
論文参考訳（メタデータ） (2026-09-25T08:34:32Z)
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)
CLEAR: Conflict-aware Learning via Evidence-guided Adaptive Routing for Unified Sparse-View 3D Gaussian Super-Resolution [80.43237927269575]
Sparse-view 3D Gaussian Splatting Super- resolution のための最初の統一された単一ステージフレームワークとして CLEAR を提案する。 CLEARは、統合ガウス表現の中で、真のLR観測と外部HR事前の最適化を共同で行う。合成と実世界の両方の4times$超高解像度ベンチマークの実験は、CLEARが常に最先端のレンダリング品質を達成していることを示している。
論文参考訳（メタデータ） (2026-08-03T13:31:53Z)
Adversarial Error Correction for Visual Autoregressive Generation [32.13829630849993]
本稿では,事前学習したVisual Autoregressive(VAR)モデルを拡張するプラグイン・アンド・プレイフレームワークを提案する。標準的な受動的生成の代わりに、AID-moreは、GANの敵対的フィードバックにインスパイアされた能動的誤り訂正機構を導入する。その結果、AID-moreはよりシャープなテクスチュラルな詳細と、無視できるオーバーヘッドを伴う構造歪みを少なくすることを示した。
論文参考訳（メタデータ） (2026-05-24T03:22:22Z)
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)
DegBins: Degradation-Driven Binning for Depth Super-Resolution [57.61783461543096]
DegBinsは、劣化駆動のビンニングを利用して残留モデリングを適応的に強化する新しいDSRフレームワークである。 DegBinsは、精度、堅牢性、一般化の観点から、既存の最先端メソッドを一貫して上回っている。
論文参考訳（メタデータ） (2026-05-10T16:17:11Z)
AEDR: Training-Free AI-Generated Image Attribution via Autoencoder Double-Reconstruction [25.525545133210805]
AEDR (AutoEncoder Double-Reconstruction) は、連続したオートエンコーダを持つ生成モデルのために設計された訓練不要の属性法である。既存の再構成手法よりも25.5%高い属性精度を達成し、計算時間の1%しか必要としない。
論文参考訳（メタデータ） (2025-07-25T06:34:58Z)
CoRe-Net: Co-Operational Regressor Network with Progressive Transfer Learning for Blind Radar Signal Restoration [15.913517836391357]
本研究では、ブラインドレーダ信号復元のためのCo-Operational Regressor Network(CoRe-Net)と呼ばれる新しいモデルを提案する。 CoRe-Netは、対人訓練を新しい協調学習戦略に置き換え、Apprentice Regressor(AR)とMaster Regressor(MR)の相補的な役割を活用する公平な実験環境下では,CoRe-Netは1dB以上のSNR改善率でOp-GANを上回っている。
論文参考訳（メタデータ） (2025-01-28T18:15:27Z)
RED: Residual Estimation Diffusion for Low-Dose PET Sinogram Reconstruction [8.152999560646371]
残留エスティメーション拡散(RED)という拡散モデルを提案する。拡散機構の観点からは、REDは拡散過程におけるガウスノイズを置き換えるためにシングラム間の残差を用いる。実験の結果,REDは低用量シングラムの品質と再建成績を良好に向上させることがわかった。
論文参考訳（メタデータ） (2024-11-08T06:19:29Z)
Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。観測された信号に基づいて生成過程を導出する。特定の加速因子に関する追加の訓練は必要としない。
論文参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。