Junyuan Deng, Xinyi Wu, Zhenyao Wu, Song Wang, Yu Wang, Congchao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28423 · open-access PDF
Generative-prior-basierte Super-Resolution (SR) -Methoden nutzen implizites Wissen, das aus großen Modellen gelernt wurde, um Low-Resolution-Eingänge zu verbessern. Jedoch sind solche Priors inhärent stochastisch und für eine vielfältige Generation optimiert, in Konflikt mit der deterministischen, hochgläubigen Rekonstruktion, die für SR erforderlich ist. Es ist auch an das Basismodell gebunden, teuer zu aktualisieren und anfällig für Halluzinationen, da sich reale Daten entwickeln. Um diese Einschränkungen anzugehen, führen wir WorldSR ein, ein neues Framework, das SR mit explizitem, entitätengerechnetem visuellem Weltwissen erweitert.
Machine translation (Meta M2M100); the English original follows.
Generative-prior-based super-resolution (SR) methods leverage implicit knowledge learned from large-scale models to enhance low-resolution inputs. However, such priors are inherently stochastic and optimized for diverse generation, conflicting with the deterministic, high-fidelity reconstruction required for SR. It is also tied to the base model, costly to update, and prone to hallucinations as real-world data evolves. To address these limitations, we introduce WorldSR, a novel framework that augments SR with explicit, entity-aligned visual world knowledge. WorldSR automatically decomposes the
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28423, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange