論文の概要: RFMSR: Residual Flow Matching for Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2607.12753v1
- Date: Tue, 14 Jul 2026 13:19:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.156126
- Title: RFMSR: Residual Flow Matching for Image Super-Resolution
- Title（参考訳）: RFMSR:画像超解像のための残留フローマッチング
- Abstract要約: 画像超解像(RFMSR)の残留流れマッチング
第1相は条件流マッチングにより速度場を事前訓練し、第2相は1ステップの予測にエンドツーエンドの監視を適用する。
RFMSRは、最先端のSOTA(State-of-the-art)手法と比較して、同等またはそれ以上の知覚品質を実現している。
- 参考スコア（独自算出の注目度）: 43.28301144364581
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image super-resolution (ISR) has witnessed remarkable progress with diffusion models and flow matching. The dominant text-to-image (T2I) based approaches leverage large-scale foundation models as generative priors, achieving impressive perceptual quality but at the cost of massive model sizes and prohibitive training expenses. Recent flow-matching-based vision-only approaches have made significant strides; however, they adopt standard flow formulations that transport from a pure Gaussian prior to the data distribution, discarding the rich structural information already present in the low-quality (LQ) input. Furthermore, existing single-step acceleration techniques often forfeit the model's multi-step inference capability. In this paper, we propose Residual Flow Matching for Image Super-Resolution (RFMSR), a vision-only framework that centers the source distribution at the LQ latent, reducing transport distance and preserving structural priors throughout the flow trajectory. We further introduce a two-phase training strategy: Phase I pretrains the velocity field via conditional flow matching, while Phase II applies end-to-end supervision to the single-step prediction while retaining the velocity loss across all timesteps, achieving high-quality single-step generation without sacrificing multi-step refinement. Extensive experiments demonstrate that RFMSR achieves comparable or even superior perceptual quality compared to state-of-the-art (SOTA) methods. The source code is available at https://github.com/Faze-Hsw/RFMSR.
- Abstract（参考訳）: 画像超解像(ISR)は拡散モデルと流れのマッチングで顕著な進歩をみせた。
支配的なテキスト・ツー・イメージ(T2I)ベースのアプローチは、大規模な基礎モデルを生成的先行として活用し、印象的な知覚的品質を実現するが、膨大なモデルサイズと禁止的なトレーニング費用を犠牲にしている。
近年、フローマッチングに基づく視覚のみのアプローチは大きな進歩を遂げているが、データ配信に先立って純粋なガウスから輸送する標準的なフロー定式化を採用しており、既に低品質(LQ)入力に存在する豊富な構造情報を捨てている。
さらに、既存のシングルステップアクセラレーション技術は、しばしばモデルのマルチステップ推論能力を妨げる。
本稿では,画像超解法のための残留フローマッチング(Residual Flow Matching for Image Super-Resolution, RFMSR)を提案する。
さらに、第1相は条件付きフローマッチングにより速度場を事前訓練し、第2相は、全段階にわたって速度損失を保ちながら、一段階予測にエンドツーエンドの監視を適用し、多段階改善を犠牲にすることなく高品質な単段階生成を実現する。
広汎な実験により、RAMSRは最先端(SOTA)法と比較して、同等またはそれ以上の知覚品質を達成できることが示された。
ソースコードはhttps://github.com/Faze-Hsw/RFMSRで公開されている。
関連論文リスト
- ScaleResfusion: Residual Rectified Flow based on Residual Vector Field [24.544037828084154]
実世界の画像復元(Real-IR)は、複雑で未知の劣化から高品質な画像(HQ)を復元することを目的としている。
最近の拡散法は知覚品質を大幅に改善しているが、現在の設計は2つの重要な課題を未解決のまま残している。
本稿では,事前学習したテキストから画像への修正フローモデル上に構築された実世界の画像復元のためのスケーラブルな拡散フレームワークであるScaleResfusionを提案する。
論文 参考訳（メタデータ） (2026-07-28T04:26:05Z) - Fast Image Super-Resolution via Consistency Rectified Flow [65.54302099728712]
拡散モデル(DM)は現実世界の超解像(SR)において顕著な成功を収めた。
近年の取り組みでは、少数あるいは単一ステップのソリューションが導入されたが、既存の手法ではノイズの多い入力からプロセスを非効率にモデル化している。
本稿では,低分解能(LR)画像から高分解能(HR)画像への整流としてSR問題を再構成する新しいアプローチであるFlowSRを提案する。
論文 参考訳（メタデータ） (2026-05-12T16:42:38Z) - Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows [32.29950358173077]
大規模拡散モデルとフローベースモデルの強力な生成先行モデルを活用することで、実世界の超解像(Real-SR)が革新された。
AlloSR$2$は、高忠実な生成リアリズムを維持するために同型生成フローを介して一段階のSR軌道を補正する新しいフレームワークである。
論文 参考訳（メタデータ） (2026-04-21T08:44:40Z) - Tuning Real-World Image Restoration at Inference: A Test-Time Scaling Paradigm for Flow Matching Models [26.002982722748726]
ResFlow-Tunerは、最先端のフローマッチングモデルであるFLUX.1-devに基づく画像復元フレームワークである。
画像復元に適したトレーニング不要なテスト時間スケーリングパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-23T14:33:43Z) - Reflective Flow Sampling Enhancement [51.824959905209774]
本研究では,フローモデルに対する理論的に基底的かつトレーニング不要な推論拡張フレームワークとして,反射型フローサンプリング(RF-Sampling)を提案する。
RFサンプリングは、生成品質と迅速なアライメントの両方を一貫して改善する。
また、FLUX上でテスト時間スケーリング能力をある程度発揮できる最初の推論拡張手法でもある。
論文 参考訳（メタデータ） (2026-03-06T11:17:37Z) - 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) - FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - Fast, faithful and photorealistic diffusion-based image super-resolution with enhanced Flow Map models [8.773008452897791]
FlowMapSRは、効率的な推論のために明示的に設計された画像超解像のための新しい拡散ベースのフレームワークである。
FlowMapSRは、最近のx4およびx8アップスケーリングの最先端手法よりも、再構築忠実度とフォトリアリズムのバランスが良いことを示す。
論文 参考訳（メタデータ） (2026-01-23T11:25:04Z) - Single-Step Latent Consistency Model for Remote Sensing Image Super-Resolution [7.920423405957888]
RSISRタスクの効率性と視覚的品質を向上させるために,新しい単一ステップ拡散手法を提案する。
提案したLCMSRは,従来の拡散モデルの反復的なステップを50-1000以上から1ステップに短縮する。
実験の結果, LCMSRは効率と性能のバランスを効果的に保ち, 非拡散モデルに匹敵する推論時間を達成することがわかった。
論文 参考訳（メタデータ） (2025-03-25T09:56:21Z) - One Diffusion Step to Real-World Super-Resolution via Flow Trajectory Distillation [60.54811860967658]
FluxSRはフローマッチングモデルに基づく新しい一段階拡散リアルISRである。
まず,フロートラジェクトリ蒸留(FTD)を導入し,多段階のフローマッチングモデルを1段階のリアルISRに蒸留する。
第2に、画像リアリズムを改善し、生成画像の高周波アーティファクト問題に対処するために、テレビLPIPSを知覚的損失として提案する。
論文 参考訳（メタデータ） (2025-02-04T04:11:29Z) - Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。
我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。
我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
論文 参考訳（メタデータ） (2020-04-08T09:07:11Z)
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。