論文の概要: SCOPE-VSR: A Broad-Coverage Training Dataset for Video Super-Resolution

• arxiv url: http://arxiv.org/abs/2610.24604v1
• Date: Sat, 17 Oct 2026 10:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:27:21.865406
• Title: SCOPE-VSR: A Broad-Coverage Training Dataset for Video Super-Resolution
• Title（参考訳）: SCOPE-VSR:ビデオスーパーリゾリューションのための広帯域トレーニングデータセット
• Abstract要約: オープンドメインVSR(SCOPE)のための構造化キュレーションパイプラインを開発した。 このパイプラインを大規模なデータソースの収集に適用する。 また,ワンステップビデオ復元のための新しいフレームワークであるGraCo-VSRを開発した。
• 参考スコア（独自算出の注目度）: 36.43131302037266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-domain video super-resolution (VSR) requires temporally coherent details across widely varying scenes and subjects. However, existing training datasets are often semantically imbalanced and insufficiently diverse. We address this data bottleneck with a structured curation pipeline for open-domain VSR, SCOPE. In this pipeline, we combine task-oriented video selection with hierarchical semantic rebalancing. Applying this pipeline to a large-scale collection of data sources, we construct the SCOPE-VSR dataset for training and SCOPE-test for testing. SCOPE-VSR has approximately 27k videos and provides balanced and diverse coverage of various real-world scenarios and subjects. We further develop GraCo-VSR, a novel framework for one-step video restoration. GraCo-VSR adopts a reliability-aware design with explicit supervision to reduce degradation-induced distortions in motion and texture guidance, allowing the model to benefit more effectively from the diverse training content in SCOPE-VSR. Evaluations show that our model achieves strong reconstruction fidelity and perceptual quality. Our code is available at: https://github.com/gyliao2768/SCOPE-VSR.
• Abstract（参考訳）: オープンドメインビデオスーパーレゾリューション(VSR)は、幅広い場面や主題にわたって時間的に一貫性のある詳細を必要とする。 しかし、既存のトレーニングデータセットは、しばしば意味的に不均衡であり、不十分に多様である。 我々は、オープンドメインVSR、SCOPEのための構造化キュレーションパイプラインを用いて、このデータボトルネックに対処する。 このパイプラインでは、タスク指向のビデオ選択と階層的セマンティックリバランシングを組み合わせる。 このパイプラインを大規模なデータソースのコレクションに適用することにより、トレーニング用のSCOPE-VSRデータセットとテスト用のSCOPE-testを構築します。 SCOPE-VSRには約27Kのビデオがあり、様々な現実世界のシナリオと主題のバランスよく多様なカバレッジを提供している。 ワンステップビデオ復元のための新しいフレームワークであるGraCo-VSRの開発も進めている。 GraCo-VSRは信頼性に配慮した設計を採用し、動きやテクスチャ誘導の劣化による歪みを低減し、SCOPE-VSRの多様なトレーニングコンテンツからより効果的にモデルに恩恵を与える。 評価の結果,本モデルは高い復元精度と知覚品質を達成できることがわかった。 私たちのコードは、https://github.com/gyliao2768/SCOPE-VSRで利用可能です。

関連論文リスト

• TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
  TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。 その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
  論文  参考訳（メタデータ） (2026-07-24T11:57:26Z)
• HRVVS: A High-resolution Video Vasculature Segmentation Network via Hierarchical Autoregressive Residual Priors [18.951871257229055]
  本稿では,35本の肝切除ビデオと11442本の高分解能フレームを含む,高品質なフレーム・バイ・フレームアノテート肝血管データセットを提案する。 本稿では,HRVVSと呼ばれる新しい高分解能ビデオ血管セグメンテーションネットワークを提案する。 提案するHRVVSは最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-07-30T09:57:38Z)
• Small Clips, Big Gains: Learning Long-Range Refocused Temporal Information for Video Super-Resolution [20.07870850150666]
  ビデオ超解像(VSR)は、時間情報を活用することにより、単一画像超解像よりも優れた性能が得られる。 本稿では,Long-Range Re Focus Temporal Information を有効活用する VSR 再帰学習フレームワーク LRTI-VSR を提案する。 我々のフレームワークは、短いビデオクリップのトレーニング中に長いビデオクリップからの時間的伝搬機能を利用する一般的なトレーニング戦略を含んでいる。
  論文  参考訳（メタデータ） (2025-05-04T15:46:34Z)
• Arbitrary-Scale Video Super-Resolution with Structural and Textural Priors [80.92195378575671]
  Arbitraスケール超解像(AVSR)の強いベースラインについて述べる。 次に、事前学習したVGGネットワークから計算したマルチスケールの構造とテクスチャをベースラインに組み込むことにより、ST-AVSRを導入する。 総合的な実験により、ST-AVSRは最先端技術よりも超解像品質、一般化能力、推論速度を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-07-13T15:27:39Z)
• Benchmark Dataset and Effective Inter-Frame Alignment for Real-World Video Super-Resolution [65.20905703823965]
  ビデオ超解像(VSR)は、高解像度(HR)動画を低解像度(LR)ビデオから再構成することを目的としており、近年大きく進歩している。 既存のVSRメソッドを複雑な劣化を伴う実世界のデータにデプロイすることは依然として困難である。 EAVSRは、提案した多層適応空間変換ネットワーク(MultiAdaSTN)を用いて、事前学習した光フロー推定ネットワークが提供するオフセットを洗練する。
  論文  参考訳（メタデータ） (2022-12-10T17:41:46Z)
• Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
  我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-06-15T17:36:04Z)
• BasicVSR: The Search for Essential Components in Video Super-Resolution and Beyond [75.62146968824682]
  ビデオ超解像(VSR)アプローチは、画像よりも多くのコンポーネントを持つ傾向がある。 高速化と回復性の向上を図った簡潔なパイプライン「BasicVSR」について述べる。
  論文  参考訳（メタデータ） (2020-12-03T18:56:14Z)

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。