FlowIE: Efficient Image Enhancement via Rectified Flow

图像增强在现实世界的应用非常广泛，因为存在复杂的环境和成像设备的限制。传统方法通常受到它们量身定制的模型的限制，当面临具有挑战性的退化条件时，会导致鲁棒性降低。为此，我们提出了FlowIE，这是一个简单但高效的基于流的图像增强框架，它从基本分布到高质量图像估计直线路径。与之前的基于扩散的方法不同，FlowIE通过条件矫正流构建了一个线性的多对一传输映射。矫正使概率传递的轨迹变得更加直线，将推理加速了一个数量级。这种设计使我们的FlowIE能够充分利用预训练扩散模型中的丰富知识，从而非常适合各种现实世界的应用。此外，我们设计了一种更快的推理算法，灵感来自于拉格朗日中值定理，利用中点切线方向来优化路径估计，最终产生更好的视觉效果。由于这些设计，我们的FlowIE能够在少于5个步骤的简洁序列中熟练处理各种增强任务。我们的贡献通过对合成和真实数据集的全面实验进行了严格验证，揭示了我们提出的FlowIE的强大效力和高效性。代码可在https://github.com/EternalEvan/FlowIE上找到。

论文旨在解决图像增强中传统方法受到限制的问题，提出一种基于流的图像增强框架FlowIE。

FlowIE通过条件矫正流构建线性多对一传输映射，从而加速推断并充分利用预训练扩散模型的丰富知识。

论文设计了更快的推断算法，实验结果表明FlowIE在不到5个步骤的简洁序列中，能够有效地处理各种增强任务，代码已开源。

与此相关的研究包括基于扩散的方法和基于流的方法，如Glow和RealNVP。