論文の概要: ScaleResfusion: Residual Rectified Flow based on Residual Vector Field
- arxiv url: http://arxiv.org/abs/2607.25275v1
- Date: Tue, 28 Jul 2026 04:26:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.710209
- Title: ScaleResfusion: Residual Rectified Flow based on Residual Vector Field
- Title（参考訳）: Scale Resfusion:残留ベクトル場に基づく残留整流流れ
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.544037828084154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world Image Restoration (Real-IR) aims to recover high-quality (HQ) images from complex and unknown degradations. Although recent diffusion-based methods have substantially improved perceptual quality, their current designs leave two key challenges unresolved. Methods that start from Gaussian noise are slow and often less faithful to the degraded input. Residual-based methods usually train from scratch, which makes it hard to exploit modern pre-trained generative priors. In this paper, we present ScaleResfusion, a scalable diffusion framework for real-world image restoration built on pre-trained text-to-image rectified-flow models. The core of our method is Residual Rectified Flow, which introduces the residual term R into Standard Rectified Flow. Instead of starting from pure noise, it uses a residual transport path that starts from noisy low-quality (LQ) images and admits an exact acceleration point. By learning the residual vector field, Residual Rectified Flow keeps the output distribution and linear diffusion process consistent with the pre-trained rectified-flow models. This makes parameter-efficient fine-tuning possible at scale. We further introduce a knowledge-distillation pipeline to reduce sampling cost while maintaining restoration quality. Extensive experiments on multiple real-world restoration tasks show that ScaleResfusion achieves state-of-the-art performance with much higher efficiency. These results suggest a practical and scalable way to adapt large pre-trained diffusion models to real-world image restoration. Our code and models are available at https://github.com/YukinoshitaLove/ScaleResfusion.
- Abstract（参考訳）: 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。
ガウスノイズから始まる手法は遅く、しばしば劣化した入力に忠実でない。
残留法は通常、スクラッチからトレーニングするので、現代の事前訓練された生成前を利用できない。
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。
本手法のコアとなるのはResidual Rectified Flowであり,Residual Rectified Flowに残留項Rを導入する。
純粋なノイズから始める代わりに、ノイズの多い低品質(LQ)画像から始まり、正確な加速点を持つ残留輸送経路を使用する。
残留ベクトル場を学習することにより、残留整流は出力分布と線形拡散過程を事前学習した整流流モデルと一致させる。
これにより、パラメータ効率のよい微調整が可能となる。
さらに,修復品質を維持しつつ,サンプリングコストを削減するための知識蒸留パイプラインを導入する。
複数の実世界の復元タスクに関する大規模な実験は、ScaleResfusionが最先端のパフォーマンスをはるかに高い効率で達成していることを示している。
これらの結果から,実世界の画像復元に大規模な事前学習拡散モデルを適用するための実用的でスケーラブルな手法が示唆された。
私たちのコードとモデルはhttps://github.com/YukinoshitaLove/ScaleResfusion.comで公開されています。
関連論文リスト
- Your Pre-trained Diffusion Model Secretly Knows Restoration [55.7186754179308]
本研究では,事前学習した拡散モデルが本質的に復元動作を有しており,即時埋め込みを直接学習することで解錠可能であることを示す。
トレーニング済みのWANビデオモデルとFLUX画像モデルに軽量な学習プロンプトを導入し、それらを高性能な復元モデルに変換する。
論文 参考訳（メタデータ） (2026-04-06T17:59:04Z) - Balanced conic rectified flow [19.226787997122987]
整流流は、通常の微分方程式(ODE)を通して2つの分布間の滑らかな輸送マッピングを学習する生成モデルである
本研究では,元の修正流れの限界を実験的に明らかにし,実像をトレーニングプロセスに組み込む新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-29T07:06:01Z) - 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) - 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) - Blind Image Restoration via Fast Diffusion Inversion [17.139433082780037]
Blind Image Restoration via fast Diffusion (BIRD) は、劣化モデルパラメータと復元画像の協調最適化を行うブラインド赤外線法である。
提案手法の鍵となる考え方は、初期ノイズがサンプリングされると、逆サンプリングを変更すること、すなわち、中間潜水剤を全て変更しないことである。
画像復元作業におけるBIRDの有効性を実験的に検証し,それらすべてに対して,その成果が得られたことを示す。
論文 参考訳（メタデータ） (2024-05-29T23:38:12Z) - Iterative Token Evaluation and Refinement for Real-World
Super-Resolution [77.74289677520508]
実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。
本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。
ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
論文 参考訳（メタデータ） (2023-12-09T17:07:32Z) - Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise [34.65659277870287]
微分拡散モデルの研究は、画像復元の分野への応用を拡大した。
本稿では,残余項を拡散前進過程に組み込むフレームワークであるResfusionを提案する。
Resfusionは, ISTDデータセット, LOLデータセット, Raindropデータセットに対して, わずか5つのサンプリングステップで競合性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-25T02:09:38Z) - 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) - 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) - DeFlow: Learning Complex Image Degradations from Unpaired Data with
Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。
共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。
共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文 参考訳（メタデータ） (2021-01-14T18:58:01Z)
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。