論文の概要: ColorFM: An Optimization-to-Learning Framework for Color Transfer via Flow Matching
- arxiv url: http://arxiv.org/abs/2607.07119v1
- Date: Wed, 08 Jul 2026 08:01:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.318965
- Title: ColorFM: An Optimization-to-Learning Framework for Color Transfer via Flow Matching
- Title（参考訳）: ColorFM:フローマッチングによる色伝達のための最適化学習フレームワーク
- Abstract要約: カラー転送のための最適化学習フレームワークであるColorFMを提案する。
ColorFMは、カラー転送を画素分布の転送として変更することにより、オンライン最適化とオフライン推論を接続する。
そこで,ColorFM-Lは,視覚的品質,構造的忠実度,意味的一貫性において,最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 38.73819453939708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Color transfer aims to align the color distribution of a source image with that of a reference image while preserving structural and semantic consistency. However, existing methods often suffer from inaccurate global mapping, semantic misalignment, and visual artifacts. To address these issues, we propose ColorFM, an optimization-to-learning framework. ColorFM connects online optimization to offline inference by reformulating color transfer as the transport of pixel distributions along velocity fields via Flow Matching. Specifically, we introduce ColorFM-O, an instance-specific optimization scheme that fits the velocity field through hierarchical color coupling guided by semantic priors. By numerically integrating the induced flow trajectories, ColorFM-O produces precise and semantically consistent color transfer results, while generating high-quality paired data as pseudo-supervision. Building upon this, we design ColorFM-L, an efficient feed-forward model trained on the generated pairs. Through implicit state modeling, ColorFM-L extracts deep semantic features to predict flow parameters for bidirectional linearized transport, ensuring accurate color transfer. Extensive experiments demonstrate that ColorFM-L outperforms state-of-the-art methods in visual quality, structural fidelity, and semantic consistency, successfully combining the accuracy of optimization with the speed of feed-forward inference.
- Abstract（参考訳）: 色移動は、構造的および意味的一貫性を維持しながら、ソース画像の色分布と参照画像の色分布を一致させることを目的としている。
しかし、既存の手法はしばしば不正確なグローバルマッピング、意味的ミスアライメント、視覚的アーティファクトに悩まされる。
これらの問題に対処するために,最適化学習フレームワークであるColorFMを提案する。
ColorFMは、フローマッチングによる速度場に沿った画素分布の輸送として、カラー転送を再構成することで、オンライン最適化とオフライン推論を接続する。
具体的には、セマンティックな先行性によって導かれる階層的なカラーカップリングにより、速度場に適合するインスタンス固有の最適化スキームであるColorFM-Oを紹介する。
誘導されたフロー軌跡を数値的に統合することにより、ColorFM-Oは、擬似スーパービジョンとして高品質なペアデータを生成しながら、正確で意味的に一貫性のあるカラー転送結果を生成する。
これに基づいて、生成したペアに基づいて訓練された効率的なフィードフォワードモデルであるColorFM-Lを設計する。
暗黙的な状態モデリングを通じて、ColorFM-Lは、双方向線形輸送のフローパラメータを予測するために深い意味的特徴を抽出し、正確な色移動を保証する。
広汎な実験により、ColorFM-Lは、視覚的品質、構造的忠実度、セマンティック一貫性において最先端の手法より優れており、最適化の精度とフィードフォワード推論の速度をうまく組み合わせることができた。
関連論文リスト
- Retrieval-Augmented Generation-Based Color Restoration for Low-Light Image Enhancement [0.0]
我々は、カラー復元を独立したサブプロブレムとして再キャストし、検索強化世代(RAG)上に構築された汎用後処理モジュールとして認識した。
i) 中間VGG19特徴に基づいて構築されたデュアルインデックスFAISSレトリバー、(ii) グローバル平均および分散統計によるテクスチャ的および構造的類似性を捉え、(ii) グローバルSPHistAdaINは、グローバルカラーベクトルへの参照空間保存色ヒストグラムを減少させ、適応インスタンス正規化によりネットワーク特徴を変調し、(iii) フロントエンド出力に対する色補正を予測する残留定式化である。
論文 参考訳（メタデータ） (2026-08-08T16:12:12Z) - FreeInpaint: Tuning-free Prompt Alignment and Visual Rationality Enhancement in Image Inpainting [98.04041133839088]
ユーザからのテキストプロンプトを用いて,画像の特定領域内で新たなコンテンツを生成する。
FreeInpaintは,画像の忠実度を向上させるために,インジェクション中の拡散潜水剤を直接最適化する,プラグアンドプレイのチューニング不要な手法である。
論文 参考訳（メタデータ） (2025-12-24T11:06:26Z) - Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。
私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
論文 参考訳（メタデータ） (2025-11-24T01:13:51Z) - Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。
Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
論文 参考訳（メタデータ） (2025-06-24T17:58:02Z) - Color Transfer with Modulated Flows [41.94295877935867]
修正フローは、補正フローに基づく画像間の色移動のための新しいアプローチである。
提案手法は最適輸送に基づいており,RGB色空間内の可逆変換として色伝達を実行する。
提案手法は、4K画像の処理が可能で、コンテンツとスタイルの類似性の観点から最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-03-24T18:39:54Z) - Leveraging Semantic Attribute Binding for Free-Lunch Color Control in Diffusion Models [53.73253164099701]
拡散モデルにおいて、微調整なしで正確なRGBレベルの色制御を実現する、トレーニング不要なアプローチであるColorWaveを導入する。
我々は、カラーウェーブが、構造化された、色一貫性の拡散に基づく画像合成のための新しいパラダイムを確立することを実証した。
論文 参考訳（メタデータ） (2025-03-12T21:49:52Z) - LTCF-Net: A Transformer-Enhanced Dual-Channel Fourier Framework for Low-Light Image Restoration [1.049712834719005]
低照度画像の高精細化を目的とした新しいネットワークアーキテクチャであるLTCF-Netを導入する。
提案手法では2つの色空間(LABとYUV)を用いて色情報を効率的に分離処理する。
我々のモデルは、画像コンテンツを包括的に理解するためのTransformerアーキテクチャを取り入れている。
論文 参考訳（メタデータ） (2024-11-24T07:21:17Z) - Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。
予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-07-02T16:15:37Z) - Wavelet Transform-assisted Adaptive Generative Modeling for Colorization [15.814591440291652]
本研究では,ウェーブレット領域におけるスコアベース生成モデルを利用した新しい手法を提案する。
ウェーブレット変換によるマルチスケールおよびマルチチャネル表現を利用することで,重畳されたウェーブレット係数成分から先行情報を学習する。
実験により, 提案モデルが着色品質, 特に着色性, 多様性に顕著な改善が認められた。
論文 参考訳（メタデータ） (2021-07-09T07:12:39Z) - Example-based Color Transfer with Gaussian Mixture Modeling [16.880968031370767]
我々は、確率的枠組みの下で色移動をモデル化し、パラメータ推定問題としてキャストする。
最適化には期待最大化(EM)アルゴリズム(EステップとMステップ)を用いる。
本手法は,EMイテレーションの増加とともに連続色変換結果を生成することができる。
論文 参考訳（メタデータ） (2020-08-31T14:07:54Z)
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。