論文の概要: DriftSR: One-Step Real-World Image Super-Resolution via Distribution Drifting

• arxiv url: http://arxiv.org/abs/2610.04819v1
• Date: Sat, 03 Oct 2026 23:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:38:27.679797
• Title: DriftSR: One-Step Real-World Image Super-Resolution via Distribution Drifting
• Title（参考訳）: DriftSR: 分散ドリフトによる1ステップのリアルタイム画像スーパーリゾリューション
• Abstract要約: 1段階の現実世界の画像超解像(Real-ISR)は効率的な推論を提供するが、現実的で知覚に富んだ詳細を復元することは、しばしばスコアの蒸留や敵対的な学習に依存している。 DriftSRを提案する。DriftSRは1ステップのReal-ISRフレームワークである。
• 参考スコア（独自算出の注目度）: 30.526425719804408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-step real-world image super-resolution (Real-ISR) offers efficient inference, but recovering realistic and perceptually rich details often relies on score distillation or adversarial learning, introducing additional trainable components and making optimization more cumbersome. To this end, we propose DriftSR, a one-step Real-ISR framework that leverages pretrained diffusion priors through distribution drifting. Specifically, we perform drifting in the frozen intermediate representation space of a pretrained diffusion model, without introducing an additional task-specific feature encoder. Building on this space, we introduce Spatial Feature Drifting, which treats spatial features rather than entire images as distributional samples, enabling denser supervision for distribution alignment. To mitigate structural deviations, we further introduce Structure-Modulated Guidance, which adaptively refines drifting guidance according to local structural consistency with the LQ input. Consequently, DriftSR optimizes only the one-step generator, without auxiliary distillation branches or adversarial discriminators. Extensive experiments on three real-world benchmarks demonstrate that DriftSR delivers high-quality super-resolution reconstruction with efficient one-step inference.
• Abstract（参考訳）: 1段階の現実世界の画像超解像(Real-ISR)は効率的な推論を提供するが、現実的で知覚に富んだ詳細を復元することは、しばしばスコアの蒸留や逆学習に依存し、追加のトレーニング可能なコンポーネントを導入し、最適化をより困難にする。 そこで我々はDriftSRを提案する。DriftSRは1ステップのReal-ISRフレームワークである。 具体的には、事前訓練された拡散モデルの凍結中間表現空間において、追加のタスク固有の特徴エンコーダを導入することなくドリフトを行う。 この空間上に構築された空間的特徴ドリフトは、全体像を分布サンプルとして扱うのではなく、空間的特徴を扱い、分布アライメントのより密集的な監視を可能にする。 構造偏差を軽減するため,LQ入力との局所的な構造的整合性に応じてドリフト誘導を適応的に洗練する構造変調誘導を導入する。 その結果、DriftSRは補助蒸留枝や敵の判別器を使わずに1段階の発電機のみを最適化する。 3つの実世界のベンチマークでの大規模な実験により、DriftSRは効率的なワンステップ推論で高品質な超解像再構成を提供することを示した。

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)
• Diff-Instruct with Diffused Reward: Towards Principled One-step Generator RL [16.321536102397733]
  ワンステップのテキスト・ツー・イメージ生成により、顕著な効率と品質でリアルタイムな合成が可能になった。 画像空間報酬最適化と拡散雑音空間分布マッチングを組み合わせた1ステップジェネレータの事前強化学習法について検討した。 KL最小化から導かれるデータフリーな軌道レベルのアライメントフレームワークであるDiff-Instruct with Diffused Reward (DIDR)を提案する。
  論文  参考訳（メタデータ） (2026-05-18T21:26:33Z)
• Stream-R1: Reliability-Perplexity Aware Reward Distillation for Streaming Video Generation [52.10062792673558]
  自動ストリーミングビデオ拡散モデルを実用化するために、蒸留ベースの加速が基礎となっている。 既存の方法は、すべてのロールアウト、フレーム、ピクセルを同様に信頼できる監視として扱う。 本稿では,信頼性に配慮したリワード蒸留フレームワークStream-R1を提案する。
  論文  参考訳（メタデータ） (2026-05-05T15:15:30Z)
• SlimDiffSR: Toward Lightweight and Efficient Remote Sensing Image Super-Resolution via Diffusion Model Distillation [10.518150741228862]
  SlimDiffSRは、現実世界のリモートセンシング画像の超高解像度化のための軽量で効率的な拡散ベースのフレームワークである。 推論アクセラレーションは最大200ドル、モデルパラメータはマルチステップの拡散モデルと比較して20ドルまで削減できる。
  論文  参考訳（メタデータ） (2026-05-04T03:54:54Z)
• 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)
• 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)
• OSDEnhancer: Taming Real-World Space-Time Video Super-Resolution with One-Step Diffusion [64.10689934231165]
  ビデオスーパーレゾリューションモデル(DM)は、ビデオスーパーレゾリューション(VSR)において極めて成功している。 時空ビデオスーパーレゾリューション(STVSR)の可能性は、低解像度から高解像度までのリアルな視覚コンテンツを回復する必要があるが、コヒーレントなダイナミックスでフレームレートを改善する必要がある。 提案するOSDEnhancerは,効率的なワンステップ拡散プロセスにより,実世界のSTVSRを初期化するための最初の手法である。 実験により,提案手法は実世界のシナリオにおいて優れた性能を維持しつつ,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-28T06:59:55Z)
• 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)
• Efficient Real-world Image Super-Resolution Via Adaptive Directional Gradient Convolution [80.85121353651554]
  畳み込みカーネル内でのカーネル単位の微分演算を導入し、学習可能な方向勾配畳み込みを開発する。 これらの畳み込みは、新しい線形重み付け機構と平行に統合され、適応方向勾配畳み込み(DGConv)を形成する。 さらに,適応情報相互作用ブロック(AIIBlock)を設計し,テクスチャとコントラストの強化のバランスをとるとともに,相互依存性を慎重に検討し,単純な積み重ねによるリアルSRのためのDGPNetを作成する。
  論文  参考訳（メタデータ） (2024-05-11T14:21:40Z)

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。