ノイズの着色: 忠実な画像超解像のための敵対的ソボレフアライメント

要旨

画像超解像（SR）における生成的先験分布は、しばしば忠実な復元を損なう。我々はこの限界を、等方的な目的関数と内在的な自然画像多様体との間の基本的なスペクトル不整合に起因すると考える。Direct Preference Optimizationは調整の道筋を提供するが、スペクトル的に平坦なガウス雑音に依存するため、真正な高周波の詳細と幻覚を区別できない。この幾何学的ギャップを埋めるために、我々はASASRを提案する。これは、雑音遷移核を明示的に着色して自然なスペクトル減衰を反映させることにより、生成的フローをSobolev誘導リーマン幾何学に再構築する、理論的に基礎付けられた枠組みである。この幾何学的調整を推進するため、我々はRieszの表現定理に基づくパラメトリック敵対者を統合する。これは、最悪ケースのSobolev勾配に相当する標的化された負例を合成し、推定される構造的失敗の接空間に沿って最適化を導く。広範な評価により、ASASRは主要な生成的ベースラインを上回り、特にスペクトル一貫性と構造的忠実性の保存において優れ、アーティファクトを効果的に軽減する頑健な解を提供することを示す。

English

Generative priors in Image Super-Resolution (SR) often compromise faithful restoration, we attribute this limitation to a fundamental spectral misalignment between isotropic objectives and the intrinsic natural image manifold. While Direct Preference Optimization offers a path to alignment, its reliance on spectrally flat Gaussian noise fails to distinguish authentic high-frequency details from hallucinations. To bridge this geometric gap, we propose ASASR, a theoretically grounded framework that recasts the generative flow into a Sobolev-induced Riemannian geometry by explicitly coloring the noise transition kernel to mirror natural spectral decay. Driving this geometric alignment, we integrate a parametric adversary grounded in the Riesz Representation Theorem, which synthesizes targeted negative samples equivalent to worst-case Sobolev gradients to direct optimization along the tangent space of plausible structural failures. Extensive evaluations demonstrate that ASASR outperforms leading generative baselines, particularly in preserving spectral consistency and structural fidelity, offering a robust solution that effectively mitigates artifacts.