Colorindo o Ruído: Alinhamento Adversarial de Sobolev para Super-resolução de Imagem Fiel

Resumo

Os priors generativos em Super-Resolução de Imagens (SR) frequentemente comprometem a restauração fiel; atribuímos essa limitação a um desalinhamento espectral fundamental entre objetivos isotrópicos e a variedade intrínseca de imagens naturais. Embora a Otimização Direta de Preferências ofereça um caminho para o alinhamento, sua dependência de ruído Gaussiano espectralmente plano falha em distinguir detalhes autênticos de alta frequência de alucinações. Para preencher essa lacuna geométrica, propomos o ASASR, uma estrutura teoricamente fundamentada que reformula o fluxo generativo em uma geometria Riemanniana induzida por Sobolev, colorindo explicitamente o kernel de transição de ruído para espelhar a decadência espectral natural. Conduzindo esse alinhamento geométrico, integramos um adversário paramétrico fundamentado no Teorema da Representação de Riesz, que sintetiza amostras negativas direcionadas equivalentes a gradientes de Sobolev de pior caso para direcionar a otimização ao longo do espaço tangente de falhas estruturais plausíveis. Avaliações extensivas demonstram que o ASASR supera as principais linhas de base generativas, particularmente na preservação da consistência espectral e fidelidade estrutural, oferecendo uma solução robusta que mitiga efetivamente artefatos.

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.