基于恢复对齐的生成式流模型用于盲运动去模糊
计算机视觉与模式识别
2026-05-12 v1
摘要
生成式流模型提供了来自大规模自然图像的强大先验，但直接将其用于恢复任务如运动去模糊会导致严重的保真度退化，其训练目标本质上与恢复不一致。我们提出DeblurFlow框架，通过重新格式化流轨迹来解决此不一致性：我们将噪声终点替换为模糊观测值，这使得底层向量场与模糊图像与干净图像之间的残差误差相吻合。在此表述下，标准流匹配损失自然形式为残差损失，允许通过LoRA适应在恢复对齐目标下优化预训练的流模型。该表述进一步支持双专家采样策略：一个保真度专家提供高保真度初始化（例如PSNR 33.69 dB），而DeblurFlow仅以轻微的保真度降低到33.05 dB即可提升感知质量，而直接将生成模型应用于保真度专家上则将PSNR降低到27.60 dB。为实用化，我们进一步引入r-space，一种针对残差解码而非图像重构的潜在空间，其减少了编码器-解码器成本最高可达标准VAE潜空间的9倍。广泛的实验在GoPro、HIDE、RealBlur和RWBI上表明，DeblurFlow在保持强大的恢复保真度和感知真实性的同时，仍保持计算实用性。
引用
@article{arxiv.2605.08854,
title = {Restoration-Aligned Generative Flow Models for Blind Motion Deblurring},
author = {Insoo Kim and Jinwoo Shin},
journal= {arXiv preprint arXiv:2605.08854},
year = {2026}
}