CASR：分布整合と自己類似性認識を備えた任意の超大型回帰解析のための堅実な周期的枠組

arXiv:2602.22159v2 発表型：置換 要約：任意スケール回帰解析（ASISR）は、クロススケール分布シフトという根本的な制約により、推論スケールが訓練範囲を外れるとノイズ、ぼかし、アーティファクトが急増します。我々はこの課題をクロススケール分布遷移の観点から再考し、超倍率回帰解析を分布内スケール遷移のシーケンスとして再定式化する、単純だが極めて効率的な周期的回帰解析枠組 CASR を提案します。この設計は任意のスケールでの安定した推論を保証し、かつ単一のモデルのみを必要とします。CASR は、イテレーション間の分布漂移とパッチごとの拡散不一致という 2 つの主要なボトルネックに対処します。提案された SSAM モジュールは、スーパーピクセル集約による構造的分布の整合化を行い、誤り累積を防ぎ、SARM モジュールは自己類似性構造を保存しつつ相関導出の一貫性を実装することで高周波テクスチャの回復を行います。単一のモデルのみを使用しつつも、我々のアプローチは分布漂移を大幅に削減し、長距離テクスチャの一貫性を維持し、極端な倍化においても優れた一般化能力を実現します。

arXiv:2602.22159v2 Announce Type: replace Abstract: Arbitrary-Scale SR (ASISR) remains fundamentally limited by cross-scale distribution shift: once the inference scale leaves the training range, noise, blur, and artifacts accumulate sharply. We revisit this challenge from a cross-scale distribution transition perspective and propose CASR, a simple yet highly efficient cyclic SR framework that reformulates ultra-magnification as a sequence of in-distribution scale transitions. This design ensures stable inference at arbitrary scales while requiring only a single model. CASR tackles two major bottlenecks: distribution drift across iterations and patch-wise diffusion inconsistencies. The proposed SSAM module aligns structural distributions via superpixel aggregation, preventing error accumulation, while SARM module restores high-frequency textures by enforcing correlation-guided consistency and preserving self-similarity structure through correlation alignment. Despite using only a single model, our approach significantly reduces distribution drift, preserves long-range texture consistency, and achieves superior generalization even at extreme magnification.