论文页面 - GLOW-FM：通过一步潜在流匹配实现高效的生成式低光图像增强

来源：https://huggingface.co/papers/2610.31222

摘要

GLOW-FM 是一个一步潜在流匹配（latent flow matching）框架，通过在紧凑的潜在空间中进行单次函数求值，实现高效的生成式低光图像增强。

低光图像增强（https://huggingface.co/papers?q=Low-light%20image%20enhancement)（LLIE）旨在从严重退化的观测中恢复曝光良好且视觉上忠实的图像。近期基于扩散的生成式方法（https://huggingface.co/papers?q=diffusion-based%20generative%20methods）借助强大的图像先验取得了出色的视觉质量，但其迭代采样带来了巨大的计算开销，限制了实际部署。尽管生成式 LLIE 的效率最近有所提升，但通过单次函数求值（https://huggingface.co/papers?q=single%20function%20evaluation）实现高质量增强且整体计算量低仍然是一个挑战，尤其是在多样化的真实世界低光条件下。我们提出了 GLOW-FM，一个用于高效生成式 LLIE 的一步潜在流匹配（https://huggingface.co/papers?q=latent%20flow-matching）框架。GLOW-FM 在一个冻结的 Tiny-VAE（https://huggingface.co/papers?q=Tiny-VAE）的潜在空间中执行条件传输，并利用终端速度匹配（https://huggingface.co/papers?q=Terminal%20Velocity%20Matching）（TVM）实现单次函数求值（https://huggingface.co/papers?q=single%20function%20evaluation）的图像增强。与替代的一步目标函数的对比实验支持了 TVM 作为有效的设计选择，据我们所知，这也是该方法首次被应用于图像修复、特别是 LLIE。在具有挑战性的真实世界基准上的大量实验表明，GLOW-FM 在仅需单次函数求值（https://huggingface.co/papers?q=single%20function%20evaluation）且小模型变体仅需 34 GFLOPs 的情况下，达到了具有竞争力的图像质量和最先进的跨数据集泛化能力（https://huggingface.co/papers?q=cross-dataset%20generalization）。这些发现凸显了 GLOW-FM 通过单步推理和紧凑的潜在建模，推动生成式 LLIE 走向实际部署的潜力。代码将在论文发表后公开。

查看 arXiv 页面（https://arxiv.org/abs/2610.31222） 查看 PDF（https://arxiv.org/pdf/2610.31222） 项目主页（https://arm-research.github.io/AAIR-GLOW-FM） GitHub3（https://github.com/arm-research/AAIR-GLOW-FM） 加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2610.31222）

在你的 agent 中获取此论文：

hf papers read 2610.31222

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.31222，即可从此页面链接该模型。

引用此论文的数据集 0

没有数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.31222，即可从此页面链接该数据集。

引用此论文的 Spaces 0

没有 Space 关联此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.31222，即可从此页面链接该 Space。

包含此论文的合集 0

没有合集包含此论文

将此论文添加到合集（https://huggingface.co/new-collection）即可从此页面链接该论文。