Junyuan Deng, Xinyi Wu, Zhenyao Wu, Song Wang, Yu Wang, Congchao Zhu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28423 · open-access PDF
Os métodos de super-resolução (SR) baseados em geração-prior aproveitam o conhecimento implícito aprendido a partir de modelos de grande escala para melhorar as entradas de baixa resolução. No entanto, tais priores são inerentemente estocásticos e otimizados para gerações diversas, em conflito com a reconstrução determinista e de alta fidelidade necessária para o SR. Ele também está ligado ao modelo de base, caro para atualizar e propenso a alucinações à medida que os dados do mundo real evoluem. Para abordar essas limitações, introduzimos o WorldSR, um novo quadro que aumenta o SR com conhecimento visual explícito, alinhado à entidade.
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