論文の概要: DPAMixerSR: An Efficient Degradation-Pattern-Aware Model for Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.32705v1
• Date: Sat, 26 Sep 2026 15:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:08:25.253797
• Title: DPAMixerSR: An Efficient Degradation-Pattern-Aware Model for Image Super-Resolution
• Title（参考訳）: DPAMixerSR:画像超解像のための効率的な劣化パターン認識モデル
• Abstract要約: 画像超解像(SR)のための劣化パターン認識フレームワークDPAMixerSRを提案する。 画像を、Adaptive Sparse Processing (ASP) とライトウェイトな畳み込みブランチにルーティングするパッチに分割する。 様々なSRタスクの実験により,DPAMixerSRは計算オーバーヘッドを著しく低減し,優れた構造復元と知覚的忠実性を達成できることが示された。
• 参考スコア（独自算出の注目度）: 30.738073575677163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While content-adaptive schemes have delivered notable advances in image super-resolution (SR), existing approaches typically focus on texture complexity and ignore intrinsic degradation factors (e.g., blur kernels or noise patterns), leading to suboptimal computation allocation and reconstruction performance. To remedy this, we propose DPAMixerSR, a degradation-pattern-aware framework that enables efficient SR through adaptive sparse computation. We design a lightweight Perceptual Degradation Ranking (PDR) module partitions the image into severely and mildly degraded patches, which are routed to the Adaptive Sparse Processing (ASP) and a lightweight convolutional branch, respectively. ASP performs structure-aligned, multi-scale sparse propagation and bidirectional refinement, while the convolutional branch enhances efficiency in mildly degraded regions. By coupling degradation-driven routing with structure-aligned sparse processing, DPAMixerSR establishes a self-regulating framework that dynamically balances computational efficiency and reconstruction fidelity. Extensive experiments on various SR tasks demonstrate that our DPAMixerSR achieves superior structural restoration and perceptual fidelity with markedly reduced computational overhead, providing a novel and scalable framework for degradation-aware, resource-efficient SR.
• Abstract（参考訳）: コンテント適応型スキームは画像超解像(SR)において顕著な進歩をもたらしたが、既存のアプローチはテクスチャの複雑さに重点を置いて、固有の劣化要因(例えば、カーネルやノイズパターン)を無視し、最適化された計算割り当てと再構成性能をもたらす。 そこで本研究では,適応スパース計算による効率的なSRを実現するための劣化パターン認識フレームワークDPAMixerSRを提案する。 本稿では,PDR(Perceptual Degradation Ranking)モジュールを設計し,その画像を,Adaptive Sparse Processing (ASP) とライトウェイト畳み込みブランチにルーティングした,高度かつ軽度に劣化したパッチに分割する。 ASPは構造に整合したマルチスケールスパース伝搬と双方向の洗練を行い、畳み込み分岐は軽度に劣化した領域の効率を高める。 劣化駆動型ルーティングと構造整合スパース処理を結合することにより、DPAMixerSRは、計算効率と再構成忠実度を動的にバランスする自己制御フレームワークを確立する。 各種SRタスクに対する大規模な実験により,DPAMixerSRは計算オーバーヘッドを著しく低減し,優れた構造復元と知覚的忠実性を達成し,劣化を意識した資源効率の高いSRのための新しいスケーラブルなフレームワークを提供する。

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)
• Improving Visual Representation Alignment Generation with GRPO [51.071351994330605]
  拡散変換器は強い画像合成能力を示したが、弱いアライメントのため、列車には非効率である。 本稿では,REPAの静的アライメント損失を生成的表現ポリシー最適化の目的に置き換える,強化に基づく最適化戦略であるVRPOを提案する。 当社のVRPO駆動トレーニングは拡散トランスフォーマーにシームレスに統合され、無視可能なコストを導入し、SiTとDiTアーキテクチャとの完全な互換性を維持します。
  論文  参考訳（メタデータ） (2026-05-30T07:21:40Z)
• 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)
• SRGAN-CKAN: Expressive Super-Resolution with Nonlinear Functional Operators under Minimal Resources [2.036341257251742]
  SISR(Single-Image Super-Resolution)は、低分解能(LR)観測から高分解能(HR)画像を再構成することを目的としている。 近年の進歩は、トランスフォーマーベースのアーキテクチャと拡散モデルによって推進されている。 本稿では,コンボリュータル・コルモゴロフ・アルノルドネットワーク(CKAN)を逆学習環境に統合したハイブリッド超解像フレームワークSRGAN-CKANを提案する。
  論文  参考訳（メタデータ） (2026-05-02T14:19:19Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• 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)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)

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。