論文の概要: Flow Straight to Reality: Perceptually Consistent Flow Matching for Efficient Image Restoration
- arxiv url: http://arxiv.org/abs/2608.10544v1
- Date: Tue, 11 Aug 2026 06:37:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.928965
- Title: Flow Straight to Reality: Perceptually Consistent Flow Matching for Efficient Image Restoration
- Title（参考訳）: Flow Straight to Reality: 効率的な画像復元のための知覚整合性フローマッチング
- Abstract要約: PCFlowは、劣化した観測からクリーンなターゲットへの継続的なトランスポートをパラメータ化する統合フレームワークである。
従来の計算コストのごく一部で、様々な復元作業における競争性能を達成する。
- 参考スコア（独自算出の注目度）: 3.901664292361698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image restoration is fundamentally constrained by the tradeoff between distortion and perception: minimizing pixel-wise error yields over-smoothed results, whereas optimizing for perceptual realism often introduces structural deviations. Recent approaches attempt to balance this tradeoff via posterior sampling or multi-stage generative pipelines, yet remain computationally expensive and architecturally complex. To overcome these limitations, we propose PCFlow (Perceptually Consistent Flow Matching), a unified framework that directly parameterizes a continuous transport from degraded observations to clean targets, jointly optimizing distortion and perceptual quality. While its latent consistency flow objective drives stable and efficient few-step inference, a Latent Consistency Perceptual Loss (LCPL) imposes semantic constraints directly on the guiding velocity field, steering the dynamics toward visually sharp data manifolds. Furthermore, recognizing the inherent conflict between structural and perceptual consistencies, we integrate a conflict-free gradient projection strategy to stabilize the multi-objective optimization landscape. Combined with lightweight, convolution-only backbone, PCFlow achieves competitive performance across diverse restoration tasks at a fraction of traditional computational costs.
- Abstract（参考訳）: 画像の復元は、歪みと知覚のトレードオフによって基本的に制限される: ピクセル単位の誤差を最小化することは、過度に滑らかな結果をもたらすが、知覚的リアリズムを最適化することは、しばしば構造的なずれをもたらす。
最近のアプローチでは、後続サンプリングや多段階生成パイプラインを通じてこのトレードオフをバランスさせようとするが、計算コストが高く、アーキテクチャ的にも複雑である。
これらの制約を克服するため,PCFlow(Perceptual Consistent Flow Matching)という,劣化した観測からクリーンな目標への連続的な輸送を直接パラメータ化し,歪みと知覚品質を協調的に最適化する統合フレームワークを提案する。
しかしLCPL(Latent Consistency Perceptual Loss)は、速度場に直接意味的制約を課し、ダイナミックスを視覚的に鋭いデータ多様体に向ける。
さらに,構造的成分と知覚的成分の固有の矛盾を認識し,矛盾のない勾配予測戦略を統合し,多目的最適化の展望を安定化させる。
軽量で畳み込みのみのバックボーンと組み合わせることで、PCFlowは従来の計算コストのごく一部で、多様な復元タスク間での競合的なパフォーマンスを実現する。
関連論文リスト
- Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。
空間領域における細部保存とアーティファクトの抑制のバランスをとる。
メモリオーバーヘッドを無視してサンプリング時間を短縮する。
論文 参考訳（メタデータ） (2026-08-07T09:00:20Z) - Improving Visual Representation Alignment Generation with GRPO [51.071351994330605]
拡散変換器は強い画像合成能力を示したが、弱いアライメントのため、列車には非効率である。
本稿では,REPAの静的アライメント損失を生成的表現ポリシー最適化の目的に置き換える,強化に基づく最適化戦略であるVRPOを提案する。
当社のVRPO駆動トレーニングは拡散トランスフォーマーにシームレスに統合され、無視可能なコストを導入し、SiTとDiTアーキテクチャとの完全な互換性を維持します。
論文 参考訳（メタデータ） (2026-05-30T07:21:40Z) - From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation [39.022447753493346]
イベントベースのカメラは、明るさの変化を非同期に捉え、微妙な時間的精度で動きをモデル化するユニークな機会を提供する。
時空間構造整合性(STSC)の原理に基づく連続時間光フロー推定のためのハイブリッド制御フレームワークを提案する。
提案手法は,学習パラダイムの有効性を実証し,連続時間および標準光フロー推定における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-25T08:24:23Z) - Restoration-Aligned Generative Flow Models for Blind Motion Deblurring [57.425021485907756]
本稿では,フロー軌跡自体を再構成することで,不整合を解消するフレームワークであるDeFlowを紹介する。
この定式化の下では、標準フローマッチング損失は自然に残留損失の形を取る。
GoPro、HIDE、RealBlur、RWBIの実験では、DeFlowは強力な復元忠実性と知覚リアリズムを実現している。
論文 参考訳（メタデータ） (2026-05-09T10:05:51Z) - 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) - Bidirectional Reward-Guided Diffusion for Real-World Image Super-Resolution [79.35296000454694]
拡散に基づく超解像は、豊富な詳細を合成することができるが、合成ペアデータで訓練されたモデルは、現実世界のLR画像では失敗することが多い。
我々は,超解像を軌道レベルの優先最適化として定式化する報奨誘導拡散フレームワークであるBird-SRを提案する。
実世界のSRベンチマークの実験では、Bird-SRは知覚品質において最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-05T19:21:45Z) - Temporal Pair Consistency for Variance-Reduced Flow Matching [13.328987133593154]
TPC(Temporal Pair Consistency)は、同じ確率経路に沿ってペア化された時間ステップで速度予測を結合する軽量な分散還元原理である。
フローマッチング内で確立されたTPCは、複数の解像度でCIFAR-10とImageNetのサンプル品質と効率を改善する。
論文 参考訳（メタデータ） (2026-02-04T00:05:21Z) - Error-Propagation-Free Learned Video Compression With Dual-Domain Progressive Temporal Alignment [92.57576987521107]
両ドメインのプログレッシブな時間的アライメントと品質条件の混合(QCMoE)を備えた新しい統合変換フレームワークを提案する。
QCMoEは、魅力的なR-Dパフォーマンスで連続的かつ一貫したレート制御を可能にする。
実験結果から,提案手法は最先端技術と比較して,競争力のあるR-D性能を実現することが示された。
論文 参考訳（メタデータ） (2025-12-11T09:14:51Z) - Rethinking Unsupervised Cross-modal Flow Estimation: Learning from Decoupled Optimization and Consistency Constraint [20.46870753632375]
DCFlowは、教師なしのクロスモーダルフロー推定フレームワークである。
本稿では,タスク固有の監督機能を備えた非結合最適化戦略を導入し,モダリティの相違と幾何学的相違を明確に解消する。
評価のために、パブリックデータセットを再取得することで、包括的なクロスモーダルフローベンチマークを構築する。
論文 参考訳（メタデータ） (2025-09-29T08:10:41Z) - 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)
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。