Newest papers

WorldSR: Harnessing World Knowledge Search for Grounded Image Super-Resolution

Junyuan Deng, Xinyi Wu, Zhenyao Wu, Song Wang, Yu Wang, Congchao Zhu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28423 · open-access PDF

Hindi

Generative-prior-based super-resolution (SR) विधियों बड़े पैमाने पर मॉडलों से सीखने वाली अंतर्निहित ज्ञान का लाभ उठाते हैं ताकि कम रिज़ॉल्यूशन इनपुट को बढ़ाया जा सके. हालांकि, इस तरह के priors स्वाभाविक रूप से स्टोचैस्टिक और विविध पीढ़ी के लिए अनुकूलित होते हैं, जो आरएस के लिए आवश्यक निर्णायक, उच्च भरोसेमंदता पुनर्निर्माण के साथ संघर्ष करते हैं. यह भी बुनियादी मॉडल से जुड़ा हुआ है, अपडेट करने के लिए महंगा है, और वास्तविक दुनिया डेटा के विकास के रूप में हल्काइयां करने की संभावना है. इन प्रतिबंधों को हल करने के लिए, हम वर्ल्डएसआर, एक नया फ्रेमवर्क पेश करते हैं जो आरएस को स्पष्ट, इंटेंट-

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange