Het Inkleuren van de Ruis: Adversariële Sobolev-uitlijning voor Getrouwe Beeld Superresolutie

Samenvatting

Generatieve prior in beeld-superresolutie (SR) gaat vaak ten koste van getrouwe reconstructie; wij schrijven deze beperking toe aan een fundamentele spectrale afwijking tussen isotrope doelstellingen en de intrinsieke natuurlijke beeldvariëteit. Hoewel Direct Preference Optimization een pad naar afstemming biedt, schiet de afhankelijkheid van spectraal vlakke Gaussische ruis tekort om authentieke hoogfrequente details van hallucinaties te onderscheiden. Om deze geometrische kloof te overbruggen, stellen we ASASR voor, een theoretisch onderbouwd raamwerk dat de generatieve stroom hervormt tot een Sobolev-geïnduceerde Riemann-meetkunde door expliciet de ruisovergangskern te kleuren om het natuurlijke spectrale verval te weerspiegelen. Ter aandrijving van deze geometrische afstemming integreren we een parametrische tegenstander gebaseerd op de Riesz-representatiestelling, die gerichte negatieve monsters synthetiseert die equivalent zijn aan Sobolev-gradiënten in het slechtste geval, om optimalisatie te sturen langs de raakruimte van plausibele structurele fouten. Uitgebreide evaluaties tonen aan dat ASASR beter presteert dan toonaangevende generatieve basislijnen, met name in het behouden van spectrale consistentie en structurele getrouwheid, en biedt een robuuste oplossing die artefacten effectief vermindert.

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.