通过Rectified Flow重构提高图像到图像翻译
计算机视觉与模式识别
2026-03-23 v1
摘要
本文提出了图像到图像Rectified Flow重构（Image-to-Image Rectified Flow Reformulation, I2I-RFR），这是一种实用的插件式重构，将标准I2I回归网络重新诠释为连续时间传输模型。虽然像素级I2I回归简单、稳定且易于跨任务适应，但常常会平滑处理难以确定和多模态目标，而生成式方法则需要额外组件、特定任务的调参以及更复杂的训练和推理管道。我们的方法通过通道级拼接方式将输入增强，加入对ground-truth目标的噪声损获版本，并优化简单的t加权像素损失。该目标通过诱导速度场实现了Rectified Flow解释，使推理时能够采用ODE-based的渐进细化，同时基本保留标准监督训练管道。在大多数情况下，采用I2I-RFR仅需扩展输入通道，推理可通过少量显式求解器步骤（例如3步）完成，而无需蒸馏。在多个图像到图像翻译和视频恢复任务上的大量实验表明，I2I-RFR在广泛的任务和网络架构之间普遍提高性能，尤其在感知质量和细节保持方面显示出明显的提升。总体而言，I2I-RFR为在不需重型生成管道的情况下，将连续时间细化纳入常规I2I模型提供了一种轻量级方法。
引用
@article{arxiv.2603.20186,
title = {Improving Image-to-Image Translation via a Rectified Flow Reformulation},
author = {Satoshi Iizuka and Shun Okamoto and Kazuhiro Fukui},
journal= {arXiv preprint arXiv:2603.20186},
year = {2026}
}