基于流匹配的插件式图像修复：一个连续视角
计算机视觉与模式识别
2025-12-05 v1 机器学习
摘要
流匹配基于生成模型的插件式图像修复框架已得到集成， resulting 的插件式流匹配 (PnP-Flow) 模型在图像修复方面取得了显著的经验成功。然而，PnP-Flow的理论认识滞后于其经验成功。在本文中，我们推导了PnP-Flow的连续极限， resulting 在PnP-Flow的随机微分方程 (SDE) 近似模型。SDE模型为改进PnP-Flow提供了两个特定见解以进行图像修复：(1)它使我们能够量化图像修复的误差，从而通知我们改进步骤调度并对神经网络参数化向量场的 Lipschitz 常数进行正则化以进行误差降低。(2)它通知我们通过外推加速即插即用PnP-Flow模型，resulting 在所提出SDE模型的重新缩放版本。我们使用几个基准任务验证了SDE启发的改进PnP-Flow的有效性，包括图像去噪、去模糊、超分辨率和图像填充。数值结果表明，我们的方法显著优于基线PnP-Flow和其他最先进的方法，在评估指标上表现出色。
引用
@article{arxiv.2512.04283,
title = {Plug-and-Play Image Restoration with Flow Matching: A Continuous Viewpoint},
author = {Fan Jia and Yuhao Huang and Shih-Hsin Wang and Cristina Garcia-Cardona and Andrea L. Bertozzi and Bao Wang},
journal= {arXiv preprint arXiv:2512.04283},
year = {2025}
}