신뢰할 수 있는 거칠기 스케일 기반의 자동 회귀 초해상도 모델에서의 세부 정보 연속화

Detail Continuation over a Trustworthy Coarse Scale for Autoregressive Super-Resolution

생성적 초해상도(GSR)에서 환각 현상은 여전히 심각한 문제입니다. 재구성된 결과는 시각적으로 타당해 보이지만, 저해상도 입력에 비해 신뢰성이 낮거나 구조적인 왜곡 또는 부자연스러운 질감을 포함할 수 있습니다. 기존의 GSR 방법들은 인지적 현실감과 복원 정확성 사이의 균형을 탐구하는 데 집중해 왔지만, 신뢰할 수 있는 거칠기 스케일 정보를 유지하고 불확실한 세부 정보를 복원하는 문제는 종종 전체 복원 과정 내에서 암묵적으로 처리됩니다. 시각적 자동 회귀(VAR) 모델링은 이러한 문제를 재검토할 수 있는 자연스러운 방법을 제공합니다. 왜냐하면 VAR 모델은 거칠기-세밀함 예측을 통해 명시적인 스케일별 생성 인터페이스를 제공하기 때문입니다. 그러나 기존의 VAR 기반 초해상도 방법들은 여전히 원래의 전체 1대-N 자동 회귀 생성 경로를 따르는데, 이는 초해상도에서 저해상도 이미지의 거칠기 스케일 정보는 상대적으로 더 신뢰할 수 있지만, 긴 자동 회귀 체인은 예측 오류를 누적시킬 수 있기 때문입니다. 이러한 관찰에 따라, 우리는 VAR 기반 초해상도를 전체 경로 생성이 아닌 k-to-N 세부 정보 연속화 과정으로 재구성하는 **K2N**을 제안합니다. 구체적으로, 초기 거칠기 스케일 상태는 저해상도 이미지로부터 직접 설정되며, 나머지 더 세밀한 스케일은 자동 회귀 방식으로 복원됩니다. 실험 결과, K2N은 표준 초해상도 지표에서 VARSR 기준 모델과 경쟁적인 성능을 보이며, 환각 현상 평가에서는 더욱 뚜렷한 장점을 나타냅니다. 이러한 결과는 스케일별로 생성 경로를 명시적으로 재고하는 것이 생성적 초해상도의 신뢰성을 향상시키는 유망한 방법이 될 수 있음을 시사합니다. 저희 코드는 곧 다음 주소에서 공개될 예정입니다: https://github.com/BRL-SYSU/K2NSR.

Hallucination remains a persistent challenge in generative super-resolution (GSR), where reconstructed results may contain visually plausible yet weakly supported content, structural deviations, or unnatural textures with respect to the low-resolution (LR) input. Existing GSR methods have extensively explored the trade-off between perceptual realism and reconstruction fidelity, but the division between preserving reliable coarse-scale information and restoring more uncertain fine details is often handled implicitly within the overall restoration process. Visual autoregressive (VAR) modeling provides a natural opportunity to revisit this issue, as its coarse-to-fine next-scale prediction offers an explicit scale-wise generation interface. However, existing VAR-based SR methods still inherit the original full 1-to-$N$ autoregressive generation path, even though, for super-resolution, coarse-scale information in LR is often relatively more reliable, while long autoregressive chains may accumulate prediction errors. Motivated by these observations, we propose \textbf{K2N}, which reformulates VAR-based SR from full-path generation into a $k$-to-$N$ detail continuation process. Specifically, early coarse-scale states are established directly from LR, while only the remaining finer scales are restored autoregressively. Experimental results show that K2N remains competitive with the VARSR baseline on standard SR metrics, while exhibiting clearer advantages on hallucination-focused evaluation. These findings suggest that explicitly rethinking the generation path in a scale-wise manner can be a promising direction for improving the reliability of generative super-resolution. Our code will be released soon at https://github.com/BRL-SYSU/K2NSR.