노이즈에 색을 입히다: 적대적 소볼레프 정렬을 통한 충실한 이미지 초해상도

초록

이미지 초해상도(SR)에서 생성 사전은 종종 충실한 복원을 저해하는데, 우리는 이러한 한계를 등방성 목적 함수와 고유 자연 이미지 다양체 간의 근본적인 스펙트럼 불일치에 기인한다고 본다. 직접 선호 최적화는 정렬을 위한 경로를 제공하지만, 스펙트럼적으로 평탄한 가우시안 잡음에 의존하기 때문에 실제 고주파 세부 정보와 환영을 구별하는 데 실패한다. 이러한 기하학적 간극을 해소하기 위해, 우리는 ASASR을 제안한다. 이는 자연스러운 스펙트럼 감쇠를 반영하도록 잡음 전이 커널에 명시적으로 색을 입힘으로써 생성 흐름을 소볼레프 유도 리만 기하학으로 재구성하는 이론적으로 기반을 둔 프레임워크이다. 이러한 기하학적 정렬을 추진하기 위해, 우리는 리즈 표현 정리에 기반한 파라미터화된 적대자를 통합한다. 이는 가능한 구조적 실패의 접평면을 따라 최적화를 유도하기 위해 최악의 경우 소볼레프 기울기와 동등한 표적화된 음성 샘플을 합성한다. 광범위한 평가를 통해 ASASR이 주요 생성 기준선보다 우수한 성능을 보이며, 특히 스펙트럼 일관성과 구조적 충실도를 유지하는 데 있어 탁월하며, 인공물을 효과적으로 완화하는 강건한 해결책을 제공함을 입증한다.

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.