論文の概要: RestoRect: Degraded Image Restoration via Latent Rectified Flow & Feature Distillation

• arxiv url: http://arxiv.org/abs/2509.23480v1
• Date: Sat, 27 Sep 2025 20:04:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.253737
• Title: RestoRect: Degraded Image Restoration via Latent Rectified Flow & Feature Distillation
• Title（参考訳）: RestoRect: 遅延整流と特徴蒸留による劣化画像復元
• Authors: Shourya Verma, Mengbo Wang, Nadia Atallah Lanman, Ananth Grama,
• Abstract要約: 本稿では, 劣化画像の復元のための新しい遅延整流特性蒸留法である「RestoRect」を提案する。 本研究では, 学習可能な学習空間の軌跡を通して, 教師の質の高い特徴を合成することを学ぶための生成過程として, 特徴蒸留を再構築するための補正流れを適用した。 15のイメージ復元データセットに対して,4つのタスクをカバーする優れた結果を8つのメトリクスで示す。
• 参考スコア（独自算出の注目度）: 7.623354056990973
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Current approaches for restoration of degraded images face a critical trade-off: high-performance models are too slow for practical use, while fast models produce poor results. Knowledge distillation transfers teacher knowledge to students, but existing static feature matching methods cannot capture how modern transformer architectures dynamically generate features. We propose 'RestoRect', a novel Latent Rectified Flow Feature Distillation method for restoring degraded images. We apply rectified flow to reformulate feature distillation as a generative process where students learn to synthesize teacher-quality features through learnable trajectories in latent space. Our framework combines Retinex theory for physics-based decomposition with learnable anisotropic diffusion constraints, and trigonometric color space polarization. We introduce a Feature Layer Extraction loss for robust knowledge transfer between different network architectures through cross-normalized transformer feature alignment with percentile-based outlier detection. RestoRect achieves better training stability, and faster convergence and inference while preserving restoration quality. We demonstrate superior results across 15 image restoration datasets, covering 4 tasks, on 8 metrics.
• Abstract（参考訳）: 高速モデルは実用には遅すぎるが,高速モデルは不十分な結果をもたらす。 知識蒸留は教師の知識を学生に伝達するが、既存の静的特徴マッチング手法は現代のトランスフォーマーアーキテクチャがいかにして特徴を動的に生成するかを捉えることはできない。 本稿では, 劣化画像の復元のための新しい遅延整流特性蒸留法である「RestoRect」を提案する。 本研究では, 学習可能な学習空間の軌跡を通して, 教師の質の高い特徴を合成することを学ぶための生成過程として, 特徴蒸留を再構築するための補正流れを適用した。 この枠組みは、物理学に基づく分解のためのレチネックス理論と、学習可能な異方性拡散制約と三角色空間偏光を組み合わせたものである。 我々は、パーセンタイルベースのアウトリア検出とクロス正規化トランスフォーマー機能アライメントにより、異なるネットワークアーキテクチャ間の堅牢な知識伝達のための特徴層抽出損失を導入する。 RestoRectは、トレーニングの安定性の向上と、回復品質を維持しながら、収束と推論の高速化を実現している。 15のイメージ復元データセットに対して,4つのタスクをカバーする優れた結果を8つのメトリクスで示す。

関連論文リスト

• Reversing Flow for Image Restoration [44.46428058881558]
  画像復元は、劣化の影響を逆転させることで、劣化した低品質(LQ)画像から高品質(HQ)画像を復元することを目的としている。 拡散やスコアベースモデルを含む既存の画像復元のための生成モデルは、分解過程を決定論的変換として扱うことが多い。 本研究では,劣化過程を連続正規化フローを用いた決定論的経路としてモデル化する新しい画像復元フレームワークResFlowを提案する。
  論文  参考訳（メタデータ） (2025-06-20T12:51:12Z)
• Soft Knowledge Distillation with Multi-Dimensional Cross-Net Attention for Image Restoration Models Compression [0.0]
  トランスフォーマーベースのエンコーダデコーダモデルは、画像間転送タスクにおいて顕著な成功を収めた。 しかし、高い計算複雑性はFLOPの増大やパラメータの増大に悩まされ、現実のシナリオでの応用が制限される。 画像復元モデルを圧縮するための多次元クロスネットアテンション(MCA)機構を組み込んだソフトナレッジ蒸留(SKD)戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-16T06:25:56Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• Efficient Degradation-aware Any Image Restoration [83.92870105933679]
  我々は,低ランク体制下での学習者(DaLe)を用いた効率的なオールインワン画像復元システムである textitDaAIR を提案する。 モデルキャパシティを入力劣化に動的に割り当てることにより、総合学習と特定の学習を統合した効率的な復調器を実現する。
  論文  参考訳（メタデータ） (2024-05-24T11:53:27Z)
• Invertible Rescaling Network and Its Extensions [118.72015270085535]
  本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。 我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。 そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
  論文  参考訳（メタデータ） (2022-10-09T06:58:58Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。