RestoRect：通过潜在修正流与特征蒸馏实现退化图像修复
计算机视觉与模式识别
2026-01-30 v2
摘要
当前的退化图像修复方法面临一个权衡：高性能模型在实际使用中速度较慢，而快速模型则产生较差的结果。知识蒸馏将教师模型的知识传递给学生模型，但现有的静态特征匹配方法无法捕捉现代 Transformer 架构如何动态生成特征。我们提出了一种新的潜在修正流特征蒸馏方法用于退化图像修复，称为 RestoRect。我们利用修正流将特征蒸馏重新表述为一个生成过程，学生通过潜在空间中的可学习轨迹来合成教师质量的特征。我们的框架结合了 Retinex 分解与可学习各向异性扩散约束，以及三角颜色空间极化。我们引入了一种特征层提取损失，用于通过基于百分位数的离群值检测的跨归一化 Transformer 特征对齐，在不同网络架构之间实现鲁棒的知识迁移。RestoRect 实现了更好的训练稳定性、更快的收敛和推理速度，同时保持了修复质量，在 15 个图像修复数据集上覆盖了 4 个任务、10 个指标，展示了优于基线的优越结果。
关键词
引用
@article{arxiv.2509.23480,
title = {RestoRect: Degraded Image Restoration via Latent Rectified Flow & Feature Distillation},
author = {Shourya Verma and Mengbo Wang and Nadia Atallah Lanman and Ananth Grama},
journal= {arXiv preprint arXiv:2509.23480},
year = {2026}
}