GLOW-FM: Efficient Generative Low-Light Image Enhancement with One-Step Latent Flow Matching
Pubblicata su AIChronos il · fonte del · Ariel Lapid, Yuval Haitman, Reuven Peretz, Arnon Netzer, Idit Diamant (Arm)
GLOW-FM è un framework a passo singolo basato sul matching dei flussi latenti progettato per il miglioramento delle immagini in condizioni di scarsa illuminazione (LLIE). Il metodo utilizza una VAE Tiny congelata e applica la Terminal Velocity Matching (TVM) nel spazio latente per ottenere risultati con una sola valutazione della funzione. Gli esperimenti su benchmark reali dimostrano che GLOW-FM offre qualità competitiva, generalizzazione cross-dataset avanzata ed efficienza computazionale ridotta rispetto ai metodi diffusivi iterativi.
- Implementa il matching dei flussi latenti in un solo passo per evitare i costi computazionali del campionamento iterativo tipico delle reti generative diffuse.
- Sfrutta la Terminal Velocity Matching (TVM) come obiettivo di trasporto condizionale nel spazio latente della VAE Tiny congelata.
- Raggiunge uno stato dell'arte nella generalizzazione cross-dataset con un costo computazionale limitato a 34 GFLOPs per il piccolo variante.
- È la prima adattamento del TVM al dominio specifico del ripristino delle immagini e del miglioramento in scarsa illuminazione (LLIE).
- Permette una distribuzione pratica di modelli generativi efficienti grazie all'inferenza a passo singolo.
Perché conta. Sebbene GLOW-FM sia focalizzato sul dominio visivo, il suo approccio al matching dei flussi latenti e l'ottimizzazione per un solo passo potrebbero ispirare tecniche di inferenza più rapida per modelli generativi in contesti locali o embedded. L'utilizzo di spazi latenti congelati riduce drasticamente i requisiti hardware, rendendo fattibile l'esecuzione di compiti complessi su dispositivi con risorse limitate.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.