論文の概要: AstraSR: Real-World Thermal Super-Resolution with GPT-6 Astra

• arxiv url: http://arxiv.org/abs/2610.05910v1
• Date: Mon, 05 Oct 2026 07:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 03:17:27.023189
• Title: AstraSR: Real-World Thermal Super-Resolution with GPT-6 Astra
• Title（参考訳）: AstraSR: GPT-6アストラを用いた現実世界の熱スーパーリゾリューション
• Abstract要約: GPT-6 Astra で導かれる実世界の熱超解像(SR)法を提案する。 撮像したLR熱画像を用いて画像対のデータセットを構築し、GPTに基づくHR参照を条件とした。 我々は、GPT生成HR参照と組み合わせた捕捉熱入力から学習する直接生成監視戦略を開発する。
• 参考スコア（独自算出の注目度）: 15.711445094405688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world thermal super-resolution (SR) is constrained by limited sensor resolution and the difficulty of obtaining corresponding high-resolution (HR) observations for direct model supervision. Conventional SR methods typically construct training pairs by treating captured thermal images with real-world degradations as HR references and applying predefined degradation to generate synthetic low-resolution (LR) inputs. Such a construction not only introduces a domain gap between synthetic and captured LR observations but also retains acquisition degradations in the supervision. To address this issue, we propose AstraSR, a real-world thermal SR method guided by GPT-6 Astra, a frontier multimodal generative model endowed with emergent and transformative visual capabilities. Specifically, we construct a dataset of image pairs by using captured LR thermal images to condition GPT-based HR reference. We develop a direct generative supervision strategy that learns from captured thermal inputs paired with GPT-generated HR references. Pixel, gradient, and perceptual losses jointly supervise the transfer of intensity patterns, structural boundaries, and visual details from the generated references. Qualitative comparisons with seven existing state-of-the-art real-world SR methods show continuous object contours, distinct structural boundaries, and smooth intensity transitions in the thermal scenes. These results demonstrate that AstraSR outperforms existing real-world SR methods in both thermal clarity and structural coherence.
• Abstract（参考訳）: 実世界の熱超解像(SR)は、センサーの解像度が限られており、直接モデル監視のために対応する高分解能(HR)観測を得ることが困難である。 従来のSR法では、キャプチャーされた熱画像と実世界の劣化をHR基準として扱い、事前定義された劣化を適用して合成低分解能(LR)入力を生成することで、トレーニングペアを構築するのが一般的である。 このような構造は、合成と捕獲されたLR観測の領域ギャップをもたらすだけでなく、監視における取得の劣化も維持する。 この問題に対処するため,GPT-6 Astraによって誘導される実世界の熱SR手法であるAstraSRを提案する。 具体的には、撮像したLR熱画像を用いて画像対のデータセットを構築し、GPTに基づくHR参照を条件とした。 我々は、GPT生成HR参照と組み合わせた捕捉熱入力から学習する直接生成監視戦略を開発する。 画素、勾配、知覚的損失は、生成した参照からの強度パターン、構造的境界、視覚的詳細の伝達を共同で監督する。 既存の7つの実世界のSR手法との質的な比較では、連続した物体の輪郭、異なる構造的境界、熱的シーンにおける滑らかな強度遷移が示される。 これらの結果は、AstraSRが既存の実世界のSR法よりも熱的明瞭度と構造的コヒーレンスの両方で優れていることを示している。

関連論文リスト

• 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)
• Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset [18.256350338119162]
  現実世界の条件下での赤外画像超解像(IISR)は、事実上重要な課題であるが、めったに対処されない課題である。 実世界IISRのための統合自己回帰フレームワークであるReal-IISRを提案する。 FLIR-IISRは実世界のIISRデータセットで、一対のLR-HR赤外線画像が自動焦点変化と動きによって引き起こされるぼかしによって取得される。
  論文  参考訳（メタデータ） (2026-03-05T02:38:29Z)
• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• Unsupervised Real-World Super-Resolution via Rectified Flow Degradation Modelling [16.485914675883972]
  教師なしの現実世界の超解像(SR)は、複雑な未知の劣化分布のために重要な課題に直面している。 既存の手法では、合成低分解能(LR)と高分解能(HR)画像対から実世界のデータへの一般化に苦慮している。 実世界の劣化を効果的に捉え,モデル化するために,整流に基づく教師なし実世界のSR手法を提案する。
  論文  参考訳（メタデータ） (2025-08-10T07:27:28Z)
• Controllable Reference Guided Diffusion with Local Global Fusion for Real World Remote Sensing Image Super Resolution [9.658727475375565]
  超解像技術は、リモートセンシング画像の空間分解能を高め、より効率的な大規模な地球観測アプリケーションを可能にする。 既存のRefSR手法は、クロスセンサーの解像度ギャップや重要な土地被覆の変化など、現実世界の複雑さに苦しむ。 実世界リモートセンシング画像SRのための新しい制御可能な参照誘導拡散モデルであるCRefDiffを提案する。
  論文  参考訳（メタデータ） (2025-06-30T12:45:28Z)
• Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns [4.977925450373957]
  超解像再構成モデルのトレーニングのための新しいTripleGANフレームワークを提案する。 このフレームワークは、LR観測から実世界の劣化パターンを学習し、対応する劣化特性を持つデータセットを合成する。 本手法は, 過スムーズなアーティファクトを伴わずに, 鋭い復元を維持しながら, 定量的な測定値に明らかな利点を示す。
  論文  参考訳（メタデータ） (2025-06-20T14:24:48Z)
• Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
  トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。 具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。 本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-07T18:18:54Z)
• Structure-Preserving Image Super-Resolution [94.16949589128296]
  単一画像超解像(SISR)の構造 近年の研究では、フォトリアリスティック画像の復元によるSISRの開発が進められている。 しかし、回収された画像にはいまだ望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2021-09-26T08:48:27Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Unsupervised Alternating Optimization for Blind Hyperspectral Imagery Super-resolution [40.350308926790255]
  本稿では, 盲点HSI融合問題に対処するために, 盲点HSI SR法を提案する。 本稿ではまず,デジェネレーションモデルを推定し,遅延画像の再構成を行うために,逐次最適化に基づく深層フレームワークを提案する。 そして,ネットワークを事前学習するメタラーニングに基づく機構が提案され,ネットワークの速度と一般化能力を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2020-12-03T07:52:32Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。