📑 投影片連結：Flow_Restoration.pptx
📌 本篇為多篇論文之綜合 Survey，涵蓋以下核心文獻：
- ELIR: ELIR: Efficient Image Restoration via Latent Consistency Flow Matching (arXiv 2025)
作者：Eliya Cohen, et al. - ResFlow: ResFlow: Reversing Flow for Image Restoration (CVPR 2025)
作者：Haowei Qin, et al.
當前挑戰
在將連續正規化流（CNF）應用於影像修復時，面臨以下關鍵理論與效能瓶頸：
感知品質與失真度權衡難題且多步採樣計算沉重
影像修復長久以來存在失真度（Distortion，如 PSNR / SSIM）與感知品質（Perception，如 FID / LPIPS）之間的拉鋸。傳統生成模型雖然能生成豐富的高頻細節，但往往需要數十步迭代，且基於 Transformer 的大模型計算開銷過大，難以在消費級裝置上即時運行。
影像退化不可逆與數據處理不等式導致 ODE 無法直接模擬退化
連續正規化流（CNF）的基礎假設是：透過確定性 ODE 進行的連續變換在時間演進中必須保持互資訊（Mutual Information, MI）不變。然而根據資訊論中的數據處理不等式（Data Processing Inequality, DPI），真實影像在退化過程中（清晰 
模糊/噪聲）必然發生不可逆的資訊損失，產生了「一張低質影像對應無限多種潛在清晰影像」的病態不確定性範疇（Uncertainty Scope），直接打破了標準可逆 ODE 的數學前提。
端點流場在互資訊極低時難以精確擬合
在退化過程的尾端（
），退化影像所保留的清晰影像特徵互資訊極低，此時流場的速度向量容易受到嚴重的隨機分佈干擾，如果缺乏額外的加權引導，數值求解器在端點處極易產生飄移與偽影。
主要貢獻
這兩篇論文從演算法架構與資訊論建模兩個維度給出了解法：
解決: 感知品質與失真度權衡難題且多步採樣計算沉重
ELIR (arXiv 2025) 提出了潛在一致性流匹配（Latent Consistency Flow Matching, LCFM）框架：
– 兩階段修復範式：
1. 潛在 MMSE 估計器：在 Latent 特徵空間中，先利用退化影像計算清晰影像的後驗均值期望 
，直接鎖定高 PSNR、結構穩固的平滑基底。
2. 潛在一致性流匹配：引入速度一致性損失（Velocity Consistency Loss），強制讓流匹配軌跡上的任意時間點直接映射回清晰分佈。
– 全卷積輕量架構：捨棄沉重的 Vision Transformer，全流程採用輕量化卷積網路在 Latent 空間完成修復，在達成極致推論加速（僅需 1~2 步）的同時兼顧了高 PSNR 與逼真細節。
小筆記：為什麼先求 MMSE 再做 Flow Matching？
最小均方誤差（MMSE）估計在數學上保證了歐氏距離最小（即最大化 PSNR），但代價是輸出會偏向模糊平均；接著透過一致性流匹配注入生成細節，就能在保持像素對齊的前提下快速補全紋理，完美兼顧 Distortion 與 Perception。
解決: 影像退化不可逆與數據處理不等式導致 ODE 無法直接模擬退化
ResFlow (CVPR 2025) 從資訊論出發，提出了反向流（Reversing Flow）與熵保持輔助變數：
– 輔助變數 
載體：引入隨時間演進的輔助變數 。在清晰起點（
）時 
；在退化終點（
）時 
為最大熵的高斯隨機雜訊。
– 互資訊補償：透過將退化過程中遺失的互資訊轉移並儲存於輔助變數 中，成功將原本「一對多」的不可逆病態退化，升維為系統總資訊量守恆的「一對一」嚴格可逆 ODE 軌跡。
解決: 端點流場在互資訊極低時難以精確擬合
ResFlow 設計了時間加權損失函數：
– 針對 附近影像互資訊最低、流場梯度雜訊大的特性，引入了時間相依的權重矩陣進行損失縮放。
– 在訓練時動態平衡不同時間步的流場擬合權重，顯著增強了端點處數值積分的穩定度。
延伸探討
這兩篇論文展示了 Flow Matching 進入影像修復領域時的兩種不同切入視角：
– ELIR 偏向工程與效率實用主義：透過 MMSE 基底 + 一致性蒸餾，把推論壓縮到 1~2 步全卷積，極其適合工程落地。
– ResFlow 偏向理論嚴謹性：正面迎擊「影像退化不可逆」與「ODE 資訊守恆」的根本矛盾，用輔助變數補足資訊熵，在數學上把退化過程重新正規化為確定性流場。