Окрашивание шума: Состязательное выравнивание по Соболеву для верного сверхразрешения изображений

Аннотация

Генеративные априорные знания в задаче сверхвысокого разрешения изображений (СВР) часто ставят под угрозу точное восстановление; мы объясняем это ограничение фундаментальным спектральным несоответствием между изотропными целевыми функциями и внутренним многообразием натуральных изображений. Хотя прямая оптимизация предпочтений предлагает путь к согласованию, ее опора на спектрально плоский гауссовский шум не позволяет отличить подлинные высокочастотные детали от галлюцинаций. Для преодоления этого геометрического разрыва мы предлагаем ASASR — теоретически обоснованную структуру, которая переосмысливает генеративный поток в рамках римановой геометрии, индуцированной пространством Соболева, путем явной окраски ядра перехода шума для отражения естественного спектрального затухания. Для реализации этого геометрического согласования мы интегрируем параметрического противника, основанного на теореме Рисса о представлении, который синтезирует целенаправленные отрицательные образцы, эквивалентные градиентам Соболева в наихудшем случае, чтобы направить оптимизацию вдоль касательного пространства возможных структурных ошибок. Обширные оценки показывают, что ASASR превосходит ведущие генеративные базовые модели, особенно в сохранении спектральной согласованности и структурной точности, предлагая надежное решение, которое эффективно уменьшает артефакты.

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.