論文の概要: FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion

• arxiv url: http://arxiv.org/abs/2607.10140v1
• Date: Sat, 11 Jul 2026 05:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.312619
• Title: FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion
• Title（参考訳）: FlowPainter: 信頼誘導コンプリートによる光フローの塗布
• Abstract要約: FlowPainterは拡散に基づく光フローフレームワークで、密度フローの生成を信頼性誘導型軟塗布として再構成する。 提案手法は,光学的フロー推定のための拡散型改良法と信頼性の高い識別前処理を統合するための実用的な方法を提供する。
• 参考スコア（独自算出の注目度）: 52.3830227666301
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing optical flow methods broadly follow two paradigms: iterative optimization and diffusion-based estimation. Iterative methods, exemplified by RAFT, achieve high accuracy through recurrent refinement, but remain challenged by large displacements and complex motion. Diffusion-based methods introduce generative modeling and show promise in such ambiguous regions. However, existing diffusion models usually denoise the entire dense flow field from Gaussian noise, including simple regions where reliable motion can already be estimated by a lightweight network. This increases the denoising burden and may cause slow convergence and unstable training. To address this issue, we introduce FlowPainter, a diffusion-based optical flow framework that reformulates dense-flow generation as confidence-guided soft inpainting. FlowPainter employs a lightweight confidence-aware network to predict a rough flow and a pixel-wise confidence mask, distinguishing reliable simple regions from uncertain hard regions. The resulting simple-flow prior is used for confidence-based initialization and further injected into iterative denoising through confidence-gated residual guidance. With dynamically decaying guidance strength, FlowPainter stabilizes early denoising while preserving the flexibility of the diffusion model for late-stage detail refinement. Extensive experiments on public benchmarks, including Sintel, KITTI, and Spring, show that FlowPainter achieves strong accuracy under comparable training settings and converges more efficiently than existing diffusion-based optical flow methods, with notable gains on challenging benchmark splits. Our approach offers a practical way to integrate reliable discriminative priors with diffusion-based refinement for optical flow estimation. Our code is publicly available at https://github.com/mya012/FlowPainter.
• Abstract（参考訳）: 既存の光学フロー法は、反復最適化と拡散に基づく推定という2つのパラダイムに大きく従っている。 RAFTによって例示された反復的手法は、繰り返し改良によって高い精度を達成するが、大きな変位と複雑な動きに悩まされる。 拡散に基づく手法は、生成的モデリングを導入し、そのような曖昧な領域で約束を示す。 しかし、既存の拡散モデルは通常、ガウスノイズから高密度流れ場全体を悪用し、軽量ネットワークによって既に信頼できる動きを推定できる単純な領域を含む。 これにより、偏執負担が増加し、緩やかな収束と不安定なトレーニングを引き起こす可能性がある。 この問題に対処するために,拡散型光フローフレームワークであるFlowPainterを紹介した。 FlowPainterは、粗いフローと画素単位の信頼マスクを予測するために、軽量な信頼性対応ネットワークを使用し、信頼性の高い単純領域と不確実なハード領域を区別する。 結果として生じる単純なフロー前処理は、信頼に基づく初期化に使用され、さらに信頼が付与された残留ガイダンスを通じて反復的妄想に注入される。 動的に減衰する誘導強度により、FlowPainterは、後期のディテールリファインメントのための拡散モデルの柔軟性を維持しながら、早期のデノイングを安定化する。 Sintel、KITTI、Springといった公開ベンチマークに関する大規模な実験によると、FlowPainterは、同等のトレーニング設定下で強力な精度を実現し、既存の拡散ベースの光フローメソッドよりも効率的に収束する。 提案手法は,光学的フロー推定のための拡散型改良法と信頼性の高い識別前処理を統合するための実用的な方法を提供する。 私たちのコードはhttps://github.com/mya012/FlowPainter.comで公開されています。

関連論文リスト

• BokehDiff: Neural Lens Blur with One-Step Diffusion [62.59018200914645]
  ボケフディフ(BokehDiff)は、物理的に正確で視覚的に魅力的な結果が得られるレンズボウ描画法である。 提案手法では, 画像形成プロセスと整合する自己認識モジュールを物理に着想を得た。 付加雑音を導入することなく1ステップの推論方式に拡散モデルを適応させ,高品質で忠実な結果を得る。
  論文  参考訳（メタデータ） (2025-07-24T03:23:19Z)
• Diffusion prior as a direct regularization term for FWI [0.0]
  フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。 従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。 提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-06-11T19:43:23Z)
• Rectified Flows for Fast Multiscale Fluid Flow Modeling [11.597597438962026]
  時間依存速度場を学習する修正フローフレームワークを提案する。 我々の手法は、各統合ステップをより効果的にし、わずか8ステップで済むようにします。 マルチスケール・フロー・ベンチマーク実験により, 整流流は拡散モデルと同じ後部分布を回復することが示された。
  論文  参考訳（メタデータ） (2025-06-03T17:40:39Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Coherent Video Inpainting Using Optical Flow-Guided Efficient Diffusion [15.188335671278024]
  高速な映像コヒーレンスを実現するために,光フロー誘導効率拡散(FloED)を用いた新しい映像インペイントフレームワークを提案する。 FloEDはデュアルブランチアーキテクチャを採用しており、時間に依存しないフローブランチが最初に破損したフローを復元し、マルチスケールフローアダプタがメインの塗装ブランチにモーションガイダンスを提供する。 背景復元およびオブジェクト除去タスクの実験では、FloEDは最先端の拡散法よりも品質と効率の両方で優れていた。
  論文  参考訳（メタデータ） (2024-12-01T15:45:26Z)
• 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)
• Multi-scale Diffusion Denoised Smoothing [79.95360025953931]
  ランダムな平滑化は、大規模モデルに敵対的ロバスト性を提供する、いくつかの具体的なアプローチの1つになっている。 本報告では, 分割平滑化におけるロバスト性と精度との現在のトレードオフに対処するスケーラブルな手法を提案する。 提案手法と拡散微細調整を併用したマルチスケール平滑化手法により,高騒音レベルで高い信頼性のロバスト性が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-25T17:11:21Z)
• The Surprising Effectiveness of Diffusion Models for Optical Flow and Monocular Depth Estimation [42.48819460873482]
  拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。 また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
  論文  参考訳（メタデータ） (2023-06-02T21:26:20Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)

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。