LucidFlux：基于大规模扩散 Transformer 的无描述文本逼真图像复原
计算机视觉与模式识别
2026-05-13 v4
摘要
图像复原（IR）旨在恢复受未知混合因素退化的图像，同时保持语义——在此条件下，判别式复原器与基于 UNet 的扩散先验常常出现过度平滑、幻觉或漂移。我们提出 LucidFlux，一种无需图像描述文本的 IR 框架，无需图像描述文本即可适配大型扩散 Transformer（Flux.1）。我们的 LucidFlux 引入了一个轻量级双分支调节器，分别从退化输入和轻度复原的代理注入信号，以锚定几何结构并抑制伪影。随后，设计了时间步与层自适应调制策略，在主干网络的层级间路由这些线索，以产生从粗到细且具备上下文感知的更新，在恢复纹理的同时保护全局结构。此后，为避免文本提示或视觉语言模型（VLM）描述文本的延迟与不稳定性，我们通过从代理提取的 SigLIP 特征来实施无描述文本的语义对齐。可扩展的数据筛选流水线进一步过滤大规模数据，以提供结构丰富的监督。在合成与真实世界基准上，我们的 LucidFlux 始终优于强大的开源与商业基线，消融实验验证了各组件的必要性。LucidFlux 表明，对于大型 DiT，何时、何地以及以何种内容进行条件控制——而非增加参数或依赖文本提示——是实现真实世界中鲁棒且无描述文本图像复原的关键杠杆。
引用
@article{arxiv.2509.22414,
title = {LucidFlux: Caption-Free Photo-Realistic Image Restoration via a Large-Scale Diffusion Transformer},
author = {Song Fei and Tian Ye and Lujia Wang and Lei Zhu},
journal= {arXiv preprint arXiv:2509.22414},
year = {2026}
}
备注
Project Page: https://w2genai-lab.github.io/LucidFlux