論文の概要: DISRQAD: Diffusion Image Super-Resolution Quality Assessment Dataset and Benchmark

• arxiv url: http://arxiv.org/abs/2610.09077v1
• Date: Tue, 06 Oct 2026 20:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.597077
• Title: DISRQAD: Diffusion Image Super-Resolution Quality Assessment Dataset and Benchmark
• Title（参考訳）: DISRQAD:拡散画像超解像品質評価データセットとベンチマーク
• Abstract要約: DISRQADは、この設定のための主観的品質データセットと診断ベンチマークである。 10つの拡散法と4つの非拡散法から14,000のSR出力に対する平均世論スコア(MOS)を含む。
• 参考スコア（独自算出の注目度）: 0.8177265015634748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based image super-resolution (SR) can create visually plausible detail that is not supported by the low-resolution input. We introduce DISRQAD, a subjective-quality dataset and diagnostic benchmark for this setting. It contains mean opinion scores (MOS) for 14,000 SR outputs from ten diffusion and four non-diffusion methods, spanning four low-resolution degradation conditions and x2/x4 upscaling. We evaluate 51 standard full-reference and no-reference metric configurations and 11 adapted variants. Agreement with MOS is substantially weaker on diffusion outputs: the strongest standard no-reference baseline reaches 0.431 SRCC on diffusion SR versus 0.813 on non-diffusion SR. As a case study in benchmark use, a pruned and distilled Q-ReAlign-mini student reaches 0.496 SRCC on diffusion SR. DISRQAD measures perceived output quality, not faithfulness to the input; it enables analysis of metric behavior across generator families and input conditions. Our findings reveal a substantial gap in the assessment of diffusion-based SR and provide a basis for developing quality models sensitive to diffusion-specific artifacts.
• Abstract（参考訳）: 拡散に基づく画像超解像(SR)は、低解像度の入力ではサポートされない視覚的にもっともらしいディテールを生成することができる。 この設定のための主観的品質データセットと診断ベンチマークであるdisRQADを紹介する。 10個の拡散と4つの非拡散法から14,000個のSR出力に対する平均評価スコア(MOS)を含み、4つの低分解能劣化条件とx2/x4オーバースケーリングにまたがる。 51の標準完全参照および非参照メートル法構成と11の適応変種を評価した。 MOSとの合意は拡散出力において著しく弱く、最も強い標準のノン参照ベースラインは拡散SRでは0.431 SRCC、非拡散SRでは0.813に達する。 Q-ReAlign-mini の学生は拡散 SR 上で 0.496 SRCC に達する。 DISRQADは、入力に対する忠実さではなく、出力品質を認識する。 以上の結果から,拡散型SRの評価における大きなギャップが明らかとなり,拡散特異的アーティファクトに敏感な品質モデル開発の基礎となった。

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)
• Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
  拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。 本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。 提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
  論文  参考訳（メタデータ） (2023-05-24T17:09:54Z)

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。