RAW-Flow：基于确定性潜在流匹配的 RGB-to-RAW 图像重建
计算机视觉与模式识别
2026-01-29 v1
摘要
RGB-to-RAW 重建，即相机图像信号处理（ISP）管线的逆向建模，旨在从 RGB 图像中恢复高保真的 RAW 数据。尽管已取得显著进展，但现有基于学习的方法通常将此任务视为直接回归目标，由于逆 ISP 的病态性以及 RGB 图像中信息丢失的内在因素，难以保证细节一致性和颜色准确性。为此，我们首次从生成视角出发，将 RGB-to-RAW 重建重新表述为确定性潜在传输问题，提出一种新型框架 RAW-Flow，通过流匹配学习潜在空间中的确定性向量场，有效桥接 RGB 与 RAW 表示，从而实现结构细节和颜色信息的准确重建。为进一步增强潜在传输，我们引入跨尺度上下文引导模块，将层次化 RGB 特征注入流估计过程。此外，我们设计了双域潜在自编码器，并加入特征对齐约束，以支持所提出的潜在传输框架，该框架在 jointly 编码 RGB 和 RAW 输入的同时，促进训练稳定性和高保真重建。广泛的实验表明，RAW-Flow 在定量和定性方面均优于最新的方法。
引用
@article{arxiv.2601.20364,
title = {RAW-Flow: Advancing RGB-to-RAW Image Reconstruction with Deterministic Latent Flow Matching},
author = {Zhen Liu and Diedong Feng and Hai Jiang and Liaoyuan Zeng and Hao Wang and Chaoyu Feng and Lei Lei and Bing Zeng and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2601.20364},
year = {2026}
}
备注
AAAI2026 Oral