論文の概要: IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow

• arxiv url: http://arxiv.org/abs/2604.19680v1
• Date: Tue, 21 Apr 2026 16:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.890863
• Title: IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow
• Title（参考訳）: IR-Flow: 正規化フローによる識別・生成画像復元のブリッジング
• Authors: Zihao Fan, Xin Lu, Jie Xiao, Dong Li, Jie Huang, Xueyang Fu,
• Abstract要約: 本稿では,Rectified Flowに基づく新しい画像復元手法IR-Flowを提案する。 まず, モデルから学習し, 様々なレベルの劣化に適応できる多層データ分散フローを構築した。 劣化画像領域とクリーン画像領域間の直線移動流を直接確立することにより,高速な推論が可能となるだけでなく,分布外劣化への適応性も向上することを示す。
• 参考スコア（独自算出の注目度）: 46.532530550015736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In image restoration, single-step discriminative mappings often lack fine details via expectation learning, whereas generative paradigms suffer from inefficient multi-step sampling and noise-residual coupling. To address this dilemma, we propose IR-Flow, a novel image restoration method based on Rectified Flow that serves as a unified framework bridging the gap between discriminative and generative paradigms. Specifically, we first construct multilevel data distribution flows, which expand the ability of models to learn from and adapt to various levels of degradation. Subsequently, cumulative velocity fields are proposed to learn transport trajectories across varying degradation levels, guiding intermediate states toward the clean target, while a multi-step consistency constraint is presented to enforce trajectory coherence and boost few-step restoration performance. We show that directly establishing a linear transport flow between degraded and clean image domains not only enables fast inference but also improves adaptability to out-of-distribution degradations. Extensive evaluations on deraining, denoising and raindrop removal tasks demonstrate that IR-Flow achieves competitive quantitative results with only a few sampling steps, offering an efficient and flexible framework that maintains an excellent distortion-perception balance. Our code is available at https://github.com/fanzh03/IR-Flow.
• Abstract（参考訳）: 画像復元において、単一ステップの識別マッピングは予測学習による細部の詳細を欠くことが多いが、生成パラダイムは非効率な多段階サンプリングとノイズ-残留結合に悩まされている。 このジレンマに対処するために、識別的パラダイムと生成的パラダイムのギャップを埋める統一的な枠組みとして機能する、Rectified Flowに基づく新しい画像復元手法IR-Flowを提案する。 具体的には、まず、モデルから学習し、様々なレベルの劣化に適応する能力を拡大するマルチレベルデータ分散フローを構築する。 その後, 様々な劣化レベルの輸送軌道を学習し, 中間状態をクリーンターゲットに誘導する累積速度場を提案し, 軌道コヒーレンスを強制する多段整合制約を提示し, 数段復元性能を向上する。 劣化画像領域とクリーン画像領域間の直線移動流を直接確立することにより,高速な推論が可能となるだけでなく,分布外劣化への適応性も向上することを示す。 レーダライニング,デノナイジング,雨滴除去タスクに関する広範囲な評価は,IR-Flowがいくつかのサンプリングステップで競争的な定量化を実現し,優れた歪み知覚バランスを維持する,効率的で柔軟なフレームワークを提供することを示した。 私たちのコードはhttps://github.com/fanzh03/IR-Flow.orgで公開されています。

関連論文リスト

• One-Step Face Restoration via Shortcut-Enhanced Coupling Flow [2.8265172105754104]
  顔修復のためのショートカット強化結合流(SCFlowFR)を提案する。 LQ-HQ依存性を明示的にモデル化し、パスのクロスオーバーを最小限にし、ニアリニアトランスポートを促進する。 実験により、SCFlowFRは従来の非拡散法に匹敵する推論速度で、最先端の一段階の顔復元品質を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-04T02:11:15Z)
• Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
  フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。 1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。 画像の回復と逆問題に対するMS-Flowの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-09T11:36:41Z)
• Restora-Flow: Mask-Guided Image Restoration with Flow Matching [0.39141750421215127]
  フローマッチングは、最先端拡散モデルに関連する長いサンプリング時間に対処する、有望な生成的アプローチとして登場した。 本稿では, 劣化マスクによるフローマッチングサンプリングをガイドする, トレーニング不要なRestora-Flowを紹介する。 本研究では,拡散法やフローマッチング法と比較して,知覚品質と処理時間に優れることを示す。
  論文  参考訳（メタデータ） (2025-11-25T10:22:26Z)
• OSCAR: Orthogonal Stochastic Control for Alignment-Respecting Diversity in Flow Matching [14.664226708184676]
  フローベースのテキスト・ツー・イメージモデルは決定論的軌跡に従っており、ユーザーは様々なモードを見つけるために繰り返しサンプルを採取せざるを得ない。 本稿では,フロー自体を多様性に配慮した,トレーニング不要な推論時間制御機構を提案する。
  論文  参考訳（メタデータ） (2025-10-10T07:07:19Z)
• FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
  FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。 私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
  論文  参考訳（メタデータ） (2024-06-01T17:29:29Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)

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。