論文の概要: Flow-Map Distillation on Relation Manifolds for Image Restoration
- arxiv url: http://arxiv.org/abs/2608.05769v1
- Date: Thu, 06 Aug 2026 08:59:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.85937
- Title: Flow-Map Distillation on Relation Manifolds for Image Restoration
- Title（参考訳）: 画像復元のための関係多様体上のフローマップ蒸留
- Abstract要約: 本研究では,関係多様体上の連続フローマッピング問題として関係に基づく知識伝達を再構成する,関係多様体上のフローマップ蒸留を提案する。
学習フローマップのグローバルな自己整合性を確保するために,構成合意を強制する安全な半群制約を導入する。
超高分解能, デラリニング, 脱臭, 低照度化を含む5つの画像復元作業の実験は, 最先端の蒸留ベースラインに対して一貫した利得を示した。
- 参考スコア（独自算出の注目度）: 37.13611158629787
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge distillation for image restoration typically aligns intermediate features or relation matrices between teacher and student networks as static targets, ignoring the dynamic structure of the knowledge transfer process. In this paper, we propose Flow-Map Distillation on Relation Manifolds (FoRM), which reformulates relation-based knowledge transfer as a continuous flow mapping problem on the relation manifold. Rather than regressing a constant velocity field between student and teacher relation states, FoRM learns a flow map operator $\mathcal{F}_θ(\mathbf{z}, t, s)$ that directly predicts the relation state at any target time $s$ given the current state at time $t$, enabling richer trajectory-level supervision. To ensure global self-consistency of the learned flow map, we introduce a safe semigroup consistency constraint that enforces compositional agreement using ground-truth bridge states, eliminating phantom-state error accumulation. An endpoint anchoring loss further prevents the operator from drifting away from the teacher target. Extensive experiments on five image restoration tasks, including super-resolution, deraining, denoising, deblurring, and low-light enhancement, demonstrate consistent gains over state-of-the-art distillation baselines across multiple backbone architectures, reducing training variance by approximately 50\% compared to naive flow matching distillation while achieving superior restoration quality.
- Abstract（参考訳）: 画像復元のための知識蒸留は、典型的には、教師と学生のネットワーク間の中間的特徴または関係行列を静的なターゲットとして整列し、知識伝達過程の動的構造を無視している。
本稿では,関係多様体上の連続フローマッピング問題として,関係に基づく知識伝達を再構成するFoRM(Flow-Map Distillation on Relation Manifolds)を提案する。
学生と教師の関係状態の間の一定の速度場を回帰するのではなく、フローマップ演算子 $\mathcal{F}_θ(\mathbf{z}, t, s)$ を学習し、任意の目標時間において関係状態を直接予測する。
学習フローマップのグローバルな自己整合性を確保するため,地絡橋の状態を用いて構成合意を強制する安全な半群整合性制約を導入し,ファントム状態の誤差の蓄積を排除した。
エンドポイントアンカリング損失により、オペレータが教師対象から遠ざかることがさらに防止される。
超高分解能, デラリニング, 脱臭, 低照度化を含む5つの画像修復作業における広範囲な実験により, 複数のバックボーン構造にまたがる最先端の蒸留ベースラインに対する一貫した向上が示され, 良好な復元品質を保ちながら, 単純流動整合蒸留と比較してトレーニングのばらつきを約50%低減した。
関連論文リスト
- TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-18T23:40:28Z) - Drift and Dependence: Layer-wise Information-Theoretic Bounds for Replay-Based Continual Learning [41.371439825328544]
継続的な学習は、古いタスクを消去することなく新しいタスクを吸収し、リプレイ — 過去の例の小さなバッファを現在のトレーニングに混ぜる — 破滅的な忘れ方に対する最も効果的な治療法のひとつです。
我々は、各深さでこれらの効果を分離するレイヤワイド情報理論フレームワークを開発する。
制御およびベンチマーク実験により、予測されたメモリスケーリング、内部ファンネル、およびアライメント信号の忘れへのリンクを確認する。
論文 参考訳（メタデータ） (2026-08-12T06:01:49Z) - IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow [46.532530550015736]
本稿では,Rectified Flowに基づく新しい画像復元手法IR-Flowを提案する。
まず, モデルから学習し, 様々なレベルの劣化に適応できる多層データ分散フローを構築した。
劣化画像領域とクリーン画像領域間の直線移動流を直接確立することにより,高速な推論が可能となるだけでなく,分布外劣化への適応性も向上することを示す。
論文 参考訳（メタデータ） (2026-04-21T16:58:14Z) - B-DENSE: Branching For Dense Ensemble Network Learning [2.972979055997652]
マルチブランチ軌道アライメントを利用した新しいフレームワークであるB-DENSEを提案する。
B-DENSEは、トレーニングの初期段階からソリューション空間をナビゲートすることを学び、優れた画像生成品質を示す。
論文 参考訳（メタデータ） (2026-02-17T19:40:58Z) - Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:36:41Z) - 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) - On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。
CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。
我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
論文 参考訳（メタデータ） (2025-12-30T06:29:20Z) - FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。
本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
論文 参考訳（メタデータ） (2025-11-24T07:13:23Z) - How to build a consistency model: Learning flow maps via self-distillation [18.299322342860517]
フローベース生成モデルは最先端のサンプルの品質を達成するが、推論時に微分方程式の高価な解を必要とする。
これらのモデルには、実際に効率的に学習する方法を明確に説明する統一的な記述がない。
本稿では,フローや拡散モデルに関連するフローマップを直接学習するための体系的なアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-24T18:50:50Z) - Steering Rectified Flow Models in the Vector Field for Controlled Image Generation [53.965218831845995]
拡散モデル(DM)は、フォトリアリズム、画像編集、逆問題解決に優れ、分類器なしのガイダンスと画像反転技術によって支援される。
既存のDMベースの手法は、しばしば追加のトレーニングを必要とし、事前訓練された潜在モデルへの一般化が欠如し、ODEソルバと反転プロセスによる広範なバックプロパゲーションにより、計算資源が要求される。
本研究では,ベクトル場を利用した画像生成タスクのデノイング軌道の制御を行うFlowChefを提案する。
FlowChefは、パフォーマンス、メモリ、時間要件の点でベースラインを大幅に上回り、新しい状態を達成する。
論文 参考訳（メタデータ） (2024-11-27T19:04:40Z) - MOST: MR reconstruction Optimization for multiple downStream Tasks via continual learning [12.0749219807816]
個別に訓練された再構成ネットワークと下流タスクネットワークをカスケーディングすることで、性能劣化がもたらされることが示されている。
この最適化を順次導入した複数のダウンストリームタスクに拡張し,複数のダウンストリームタスクに対して単一のMR再構成ネットワークを最適化できることを実証する。
論文 参考訳（メタデータ） (2024-09-16T15:31:04Z)
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。