論文の概要: Restoration-Aligned Generative Flow Models for Blind Motion Deblurring

• arxiv url: http://arxiv.org/abs/2605.08854v1
• Date: Sat, 09 May 2026 10:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.933251
• Title: Restoration-Aligned Generative Flow Models for Blind Motion Deblurring
• Title（参考訳）: ブラインド・モーション・デブロアリングのための再生型生成流モデル
• Authors: Insoo Kim, Jinwoo Shin,
• Abstract要約: 本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。 この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。 GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
• 参考スコア（独自算出の注目度）: 57.425021485907756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative flow models offer powerful priors learned from large-scale natural images, but directly adapting them to restoration tasks such as motion deblurring causes severe fidelity degradation, as their training objective is inherently misaligned with restoration. We present DeblurFlow, a framework that resolves this misalignment by reformulating the flow trajectory itself: we replace the noise endpoint with the blur observation, which makes the underlying vector field coincide with the residual error between blur and clean images. Under this formulation, the standard flow matching loss naturally takes the form of a residual loss, allowing pretrained flow models to be optimized under restoration-aligned objectives via LoRA adaptation. This formulation further enables a dual-expert sampling strategy: a fidelity expert provides a high-fidelity initialization, e.g., PSNR 33.69 dB, and DeblurFlow enhances perceptual quality with only a marginal fidelity reduction to 33.05 dB, whereas directly applying a generative model on top of a fidelity expert decreases PSNR to 27.60 dB. To make this practical, we further introduce r-space, a latent space tailored for residual decoding rather than image reconstruction, which reduces encoder-decoder cost by up to 9$\times$over standard VAE latents. Extensive experiments on GoPro, HIDE, RealBlur, and RWBI demonstrate that DeblurFlow achieves strong restoration fidelity and perceptual realism, while remaining computationally practical.
• Abstract（参考訳）: 生成フローモデルは、大規模な自然画像から学習した強力な先行情報を提供するが、運動不良などの回復タスクに直接適応することで、トレーニング目的が本質的に復元と一致していないため、深刻な忠実度低下を引き起こす。 本稿では,フロートラジェクトリ自体を再構成することで,この不整合を解消するフレームワークであるDeblurFlowについて述べる。 この定式化の下では、標準流量整合損失は自然に残留損失の形式を取るため、LoRA適応による復元整合目標下での事前学習フローモデルを最適化することができる。 フィデリティの専門家は、高忠実度初期化(例えば、PSNR 33.69 dB)を提供し、DeblurFlowは、限界忠実度を33.05 dBに減らすだけで知覚品質を向上し、一方、フィデリティ専門家の上に生成モデルを直接適用するとPSNRが27.60 dBに低下する。 これにより、エンコーダとデコーダのコストを最大9$\times$over標準のVAEラテントに削減できる。 GoPro、HIDE、RealBlur、RWBIの大規模な実験は、DeblurFlowが強力な復元忠実さと知覚的リアリズムを達成する一方で、計算学的に実用的であることを示した。

関連論文リスト

• IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow [46.532530550015736]
  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。
  論文  参考訳（メタデータ） (2026-04-21T16:58:14Z)
• Harnessing Diffusion-Yielded Score Priors for Image Restoration [29.788482710572307]
  深部画像復元モデルは、劣化した画像空間から自然画像空間へのマッピングを学習することを目的としている。 MSEベース、GANベース、拡散ベースメソッドの3つの主要なクラスが登場した。 これらの課題に対処するための新しい手法HYPIRを提案する。
  論文  参考訳（メタデータ） (2025-07-28T07:55:34Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter [52.93785843453579]
  低品質(LQ)画像からのブラインド顔復元は、高忠実度画像再構成と顔認証の保存を必要とする課題である。 LAFRは,LQ画像の潜時分布とHQ画像の潜時分布を一致させる,新しいコードブックベースの潜時空間アダプタである。 FFHQデータセットのわずか0.9%での拡散の軽量な微調整は、最先端の手法に匹敵する結果を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-05-29T14:11:16Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• 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)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)

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。