論文の概要: SlerpFlow: Spherical Trajectory Correction for Rectified Flow Inversion
- arxiv url: http://arxiv.org/abs/2607.21326v1
- Date: Thu, 23 Jul 2026 13:55:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.425367
- Title: SlerpFlow: Spherical Trajectory Correction for Rectified Flow Inversion
- Title（参考訳）: SlerpFlow: 整流インバージョンのための球形軌道補正
- Abstract要約: SlerpFlowは、高忠実度インバージョンと編集のためのゼロショットアプローチである。
SlerpFlowは球面線形補間(Slerp)を統合し、超球面上の流速方向を補正する。
FLUXに基づく再構成および編集タスクの実験は、SlerpFlowが再構成の忠実度とより強力な意味的アライメントを改善することを示した。
- 参考スコア（独自算出の注目度）: 9.245733921560813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rectified-flow-based diffusion transformers, particularly FLUX, have demonstrated outstanding performance in high-quality image generation. However, achieving fast and accurate inversion--transforming images back to latent noise for faithful reconstruction and editing--remains a challenging bottleneck due to the discretization errors of linear solvers. This paper introduces SlerpFlow, a straightforward yet highly effective zero-shot approach that unlocks the full potential of FLUX for high-fidelity inversion and editing. Unlike existing approaches (e.g., RF-Solver) that rely on complex numerical approximations such as high-order Taylor expansions to correct trajectory errors, we present a geometric view based on the Manifold Hypothesis: the empirically observed trajectory curvature is not a numerical artifact, but rather serves as a necessary "centripetal force" that constrains the flow to remain on the data manifold. Guided by this insight, SlerpFlow integrates Spherical Linear Interpolation (Slerp) to rectify flow velocity directions on the hypersphere, strictly adhering to the intrinsic curvature of the latent space. Crucially, by caching the corrected velocity for subsequent steps, SlerpFlow achieves high-precision inversion while maintaining the computational efficiency of a first-order Euler solver. Extensive experiments on FLUX-based reconstruction and editing tasks demonstrate that SlerpFlow improves reconstruction fidelity and achieves stronger semantic alignment in editing without requiring additional training. Code is available at https://github.com/0answer0/SlerpFlow.
- Abstract（参考訳）: 直流拡散変換器、特にFLUXは、高品質な画像生成において優れた性能を発揮している。
しかし、忠実な再構成と編集のために、高速で正確な逆変換-画像の潜時雑音への変換は、線形ソルバの離散化誤差のため、困難なボトルネックを残る。
本稿では,高忠実度インバージョンと編集のためのFLUXの潜在能力を最大限に活用する,単純かつ効果的なゼロショットアプローチであるSlerpFlowを紹介する。
軌道誤差を正すために高次テイラー展開のような複素数値近似に依存する既存のアプローチ(例:RF-Solver)とは異なり、経験的に観察された軌道曲率は数値的なアーティファクトではなく、データ多様体に残るフローを制限するために必要な「中心的力」として機能するマニフォールド仮説に基づく幾何的ビューを提示する。
この知見に導かれたSlerpFlowは、球状線形補間(Slerp)を統合して、超球面上の流速方向を補正し、潜伏空間の内在曲率に厳密に固執する。
重要なことに、後のステップで補正速度をキャッシュすることで、SlerpFlowは1次オイラーソルバの計算効率を維持しながら高精度なインバージョンを実現する。
FLUXベースの再構築と編集タスクに関する大規模な実験により、SlerpFlowは再構築の忠実性を改善し、追加のトレーニングを必要とせず、編集においてより強力なセマンティックアライメントを実現することを示した。
コードはhttps://github.com/0answer0/SlerpFlowで入手できる。
関連論文リスト
- FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion [52.3830227666301]
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。
論文 参考訳（メタデータ） (2026-07-11T05:59:22Z) - P-Flow: Proxy-gradient Flows for Linear Inverse Problems [28.438072266272954]
P-Flowは、プロキシ勾配を利用してソースポイントを更新することで、再構築プロセスを安定化するフレームワークである。
さまざまな復元タスクに対する実験は、P-Flowが競争力のあるパフォーマンスを提供することを示している。
論文 参考訳（メタデータ） (2026-05-08T17:07:36Z) - SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing [9.343095346668665]
SteerFlowはモデルに依存しない編集フレームワークで、ソースの忠実性に関する強力な理論的保証がある。
本稿では,ターゲット編集速度とソース再構成速度を適応的にブレンドして,編集軌道をソースに固定するトラジェクトリ補間法を提案する。
FLUX.1-devとStable Diffusion 3.5 Mediumの実験では、SteerFlowは既存の方法よりも優れた編集品質を実現している。
論文 参考訳（メタデータ） (2026-04-02T07:26:13Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - ArcFlow: Unleashing 2-Step Text-to-Image Generation via High-Precision Non-Linear Flow Distillation [87.54456066636811]
拡散モデルは、シーケンシャルなデノナイジングステップに依存するため、かなりの推論コストに悩まされる。
ArcFlowは数段階の蒸留フレームワークであり、事前訓練された教師の軌跡を近似するために、非線形フロー軌跡を明示的に用いている。
2つのNFEで40倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-09T18:56:14Z) - Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。
64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-28T16:50:08Z) - FractalPINN-Flow: A Fractal-Inspired Network for Unsupervised Optical Flow Estimation with Total Variation Regularization [0.0]
FractalPINN-Flowは、高密度光フロー推定のための教師なしのディープラーニングフレームワークである。
基礎的な真実を必要とせず、連続したグレースケールのフレームから直接学習する。
正確で滑らかで、エッジに保存される光学流れ場を生成する。
論文 参考訳（メタデータ） (2025-09-10T15:05:51Z) - 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) - AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。
従来の前方累積よりも後方累積の方が優れていることを示す。
長距離光流量推定におけるAccFlowの有効性を検証する実験
論文 参考訳（メタデータ） (2023-08-25T01:51:26Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z)
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。