arXiv cs.AI· Duc Vu, Kien Nguyen, Ngan Nguyen, Trong-Tung Nguyen, Phong Nguyen, Khoi Nguyen, Cuong Pham, Anh Tran·· 2 天前AI 评分26
InverFill：一步反演增强少步扩散模型图像修复
InverFill: One-Step Inversion for Enhanced Few-Step Diffusion Inpainting
AI 导读
InverFill 是一种面向图像修复的一步反演方法，通过将输入掩码图像的语义信息注入初始噪声，解决少步扩散模型因随机高斯噪声初始化导致的语义错位与保真度下降问题。该方法无需训练修复模型，仅以语义对齐噪声驱动少步文生图模型的混合采样流程，在低 NFE 下显著优于原始混合采样，甚至媲美专用修复模型。InverFill 无需真实图像监督，仅增加极少推理开销，已被 CVPR'26 主会议接收。
正文 · AI 翻译
摘要：近期基于扩散的模型在图像修复中实现了照片级真实感，但需要大量采样步骤，限制了实际应用。少步文本到图像模型提供了更快的生成速度，但将其简单地应用于修复会导致背景与修复区域之间协调性差并产生伪影。我们将此归因于随机高斯噪声初始化，在低函数评估次数下会导致语义错位和保真度降低。为克服这一问题，我们提出 InverFill，一种专为修复定制的一步反演方法，它将输入掩码图像的语义信息注入初始噪声，从而实现高保真少步修复。InverFill 无需训练修复模型，而是利用少步文本到图像模型，在混合采样流程中以语义对齐的噪声作为输入，显著改进了原始混合采样，甚至在低 NFE 下可媲美专用修复模型。此外，InverFill 不需要真实图像监督，仅增加极少的推理开销。大量实验表明，InverFill 能持续提升基线少步模型，在无需昂贵重训练或大量迭代优化的情况下改善图像质量和文本一致性。
| 评论： | 已被 CVPR'26（主会议）接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.23463 [cs.CV] |
| （或使用 arXiv:2603.23463v3 [cs.CV] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2603.23463 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Duc Vu [查看邮箱]
[v1]
2026年3月24日星期二 17:32:55 UTC（43,237 KB）
[v2]
2026年8月21日星期五 11:04:17 UTC（43,237 KB）
[v3]
2026年10月15日星期四 17:30:56 UTC（43,237 KB）
来源：arXiv cs.AI · arxiv.org