Beyond Fixed Inference: Quantitative Flow Matching for Adaptive Image Denoising

Each language version is independently generated for its own context, not a direct translation.

🌧️ Van Modderpoel naar Schone Straat: Een Slimme Reinigingsrobot

Stel je voor dat je een zeer dure, prachtige foto hebt gemaakt, maar er is iets misgegaan. De foto is vies geworden door regen, modder of vlekken. Je wilt de foto schoonmaken, maar het probleem is: je weet niet precies hoe vies de foto is. Is het een lichte spettersregen of een zware modderbui?

De meeste oude methoden voor het schoonmaken van foto's (in de wereld van kunstmatige intelligentie) werken als een starre reinigingsrobot.

Als de robot is ingesteld op "lichte regen", werkt hij perfect als de foto een beetje vies is.
Maar als de foto onder de modder ligt, is die robot te lui en blijft er nog veel modder achter.
En als de foto juist heel schoon is en de robot denkt dat hij moet poetsen alsof er een modderbui is geweest, dan veegt hij de foto juist vies weg of maakt hij hem wazig (zoals iemand die een glazen ruit te hard afveegt en krassen maakt).

De auteurs van dit paper, Jigang Duan en Genwei Ma, hebben een oplossing bedacht die ze Quantitative Flow Matching (QFM) noemen. Laten we kijken hoe dit werkt.

1. De Slimme Sensor: "Hoe vies is het eigenlijk?"

Voordat de robot begint met poetsen, kijkt hij eerst heel goed naar de foto. Hij telt niet letterlijk de druppels, maar hij kijkt naar de ruis (de korreligheid) in de foto.

De Analogie: Stel je voor dat je een laken hebt. Als je er een paar zandkorrels op strooit, voelt het nog vrij glad. Als je er een hele bak zand op strooit, voelt het ruw en korrelig.
De nieuwe methode meet deze "ruwheid" heel precies. Ze kijken naar kleine blokjes van de foto en berekenen hoe chaotisch de pixels zijn. Dit geeft hen een getal: "Ah, deze foto is 43% vies."

2. De Slimme Routeplanner: Geen vaste route meer

In het verleden deden AI-modellen het schoonmaken alsof ze een treinrit maakten met een vast rooster. Ze stopten altijd op precies dezelfde plekken, ongeacht of de trein (de foto) vol zat met passagiers (modder) of bijna leeg was.

Deze nieuwe methode past de reis aan op basis van de vuiligheid:

Bij een lichte vlek: De robot start de reiniging pas heel laat in het proces en maakt maar een paar snelle bewegingen. Hij wast niet te hard, want dan beschadigt hij de foto. Het is als het snel afvegen van een spiegel die maar een beetje beslagen is.
Bij zware modder: De robot start de reiniging veel eerder, maakt veel meer bewegingen en gebruikt een fijnere instelling om de diepe modder weg te halen. Het is als het grondig schrobben van een betegelde vloer na een storm.

3. Waarom is dit zo goed?

De grote kracht van deze methode is efficiëntie en kwaliteit.

Geen tijdverspilling: Als de foto al bijna schoon is, hoeft de computer niet 100 keer te rekenen. Hij doet het in 10 keer. Dat bespaart tijd en energie.
Geen schade: Als de foto heel vies is, wordt hij niet half-gewassen. De robot blijft werken tot het echt schoon is.

De Resultaten in het Dagelijks Leven

De auteurs hebben hun robot getest op drie soorten "vies":

Normale foto's: Denk aan vakantiefoto's met wat ruis.
Microscopie: Foto's van cellen of bacteriën (heel klein en vaak erg korrelig).
Medische scans (CT-scan): Foto's van binnen in het lichaam. Hier is het cruciaal dat de arts de details goed ziet. Als de AI te veel "poetst", verdwijnen kleine gebreken of weefsels uit beeld.

In al deze gevallen bleek hun slimme robot beter te zijn dan de oude, starre methoden. Hij kon de details behouden (zoals de randen van een gebouw of een klein bloedvat in een hersenen-scan) terwijl hij de modder (de ruis) volledig weghaalde.

🎯 De Kernboodschap

Vroeger deden we alsof alle vuile foto's even vies waren en behandelden we ze allemaal hetzelfde. Dat werkte niet goed.

Deze nieuwe methode zegt: "Eerst meten, dan pas poetsen."
Door eerst te meten hoeveel ruis er in de foto zit, kan de computer precies weten hoeveel moeite hij moet doen. Het is als het hebben van een slimme wasmachine die niet alleen op "katoen" of "wol" staat, maar die eerst de zwaarheid van de modder meet en daarop de wascyclus en het waterverbruik aanpast.

Dit maakt het mogelijk om foto's en medische scans veel sneller en scherper te maken, zelfs als we niet weten hoe vies ze precies zijn.

Each language version is independently generated for its own context, not a direct translation.

Titel: Beyond Fixed Inference: Quantitative Flow Matching for Adaptive Image Denoising

Auteurs: Jigang Duan, Genwei Ma, et al.
Publicatie: Journal of LaTeX Class Files, April 2026 (voorgesteld)

1. Het Probleem

Bestaande methoden voor beeldontstoesting, met name die gebaseerd op generatieve modellen zoals Diffusie-modellen en Flow Matching, kampen met een fundamenteel probleem bij het hanteren van onbekende en variërende ruiscondities.

Inconsistentie van Vectorvelden: De meeste modellen worden getraind op een specifiek ruisniveau. Wanneer het invoerbeeld een ander ruisniveau heeft dan tijdens het training (out-of-distribution), worden de geleerde vectorvelden inconsistent. Dit leidt tot een mismatch tussen het trainingsscenario en de inferentie.
Vaste Inferentieconfiguratie: Bestaande methoden gebruiken vaak een vaste inferentie-trajectorie (vaste startpunt, vast aantal integratiestappen en vaste stapgrootte).
- Voor licht vervuilde beelden is dit rekenkundig overbodig (inefficiënt).
- Voor zwaar vervuilde beelden is een vast traject vaak onvoldoende om de ruis volledig te verwijderen, wat leidt tot artefacten of verloren details.
Generalisatie: Methodes presteren goed binnen het trainingsdomein, maar degraderen sterk bij real-world scenario's waar ruis niet homogeen is (bijv. medische beeldvorming zoals CT en elektronenmicroscopie).

2. Methodologie: Quantitative Flow Matching (QFM)

De auteurs stellen een nieuw raamwerk voor, Quantitative Flow Matching (QFM), dat de inferentie dynamisch aanpast aan het geschatte ruisniveau van de invoer. Het proces bestaat uit drie hoofdstappen:

A. Kwantitatieve Ruisschatting (Quantitative Noise Estimation)

Voordat de ontstoesting begint, wordt het globale ruisniveau ( $\hat{\sigma}$ ) van het invoerbeeld geschat zonder gebruik te maken van getrainde data.

Methode: Het beeld wordt opgedeeld in niet-overlappende $2 \times 2$ blokken.
Statistiek: Binnen elk blok worden de pixelwaarden gesorteerd. Er worden twee statistieken berekend:
1. Range ( $D_1$ ): Het verschil tussen de maximale en minimale pixelwaarde (gevoelig voor ruis in vlakke gebieden).
2. Middle Range ( $D_2$ ): Het verschil tussen de twee middelste pixelwaarden (robuster tegen randen en structuren).
Fusie: Een gefuseerde schatting wordt gemaakt door een willekeurige verdeling van de blokken toe te passen op beide statistieken, waarbij de range-statistiek zwaarder weegt (4:1 verhouding) voor statistische efficiëntie. Het gemiddelde van deze blokschattingen levert de globale ruisstandaardafwijking $\hat{\sigma}$ .

B. Adaptieve Flow-Matching Inferentie

De geschatte ruis $\hat{\sigma}$ wordt gebruikt om het integratietraject aan te passen op een genormaliseerde tijdsas ( $t \in [0, 1]$ ), waarbij $t=1$ het maximale ruisniveau is en $t=0$ het schone beeld.

Adaptief Startpunt: In plaats van te starten bij $t=1$ $t = 1$ (maximale ruis), wordt het startpunt $t_{start}$ $t_{s t a r t}$ bepaald op basis van de verhouding $\hat{\sigma} / \sigma_{max}$ $\overset{σ}{^} / σ_{ma x}$ .
- Lichte ruis $\rightarrow$ Start dichter bij $t=0$ .
- Zware ruis $\rightarrow$ Start dichter bij $t=1$ .
Adaptieve Stapgrootte en Aantal Stappen:
- Het traject wordt opgedeeld in een ruwe fase (hoge ruis) met grotere stapgroottes voor snelheid.
- Een fijne fase (dicht bij het schone beeld) gebruikt kleinere stapgroottes voor nauwkeurige verfijning.
- Het totale aantal stappen wordt dynamisch bepaald door het ruisniveau, waardoor rekenkracht wordt bespaard voor schone beelden en extra kracht wordt ingezet voor zwaar vervuilde beelden.

C. Genormaliseerde Vectorvelden

Tijdens het trainen wordt het vectorveld genormaliseerd zodat het model een consistente richting leert, ongeacht het specifieke ruisniveau van de trainingdata. Dit zorgt voor stabiliteit wanneer het model wordt toegepast op nieuwe, variërende ruisniveaus.

3. Belangrijkste Bijdragen

Analyse van Ambiguïteit: Een systematische analyse van waarom bestaande flow-matching methoden falen bij ruismismatch (ambiguïteit in de vectorvelden bij verschillende ruisniveaus).
Nieuw Raamwerk (QFM): Een adaptief systeem dat de inferentie (startpunt, stappen, stapgrootte) koppelt aan een kwantitatieve ruis schatting.
Eenvoudige Ruis Schatting: Een efficiënte, niet-geleerde methode voor ruis schatting gebaseerd op lokale pixelvariaties in $2 \times 2$ blokken.
Uitgebreide Validatie: Experimenten op natuurlijke beelden, fluorescentiemicroscopie en low-dose CT-scans, wat de robuustheid in diverse domeinen bewijst.

4. Resultaten

De auteurs hebben QFM getest op drie datasets en vergeleken met state-of-the-art methoden (zoals DVT, MASH, DeltaFM, CE-CFM, TransUNet, etc.):

Synthetische Natuurlijke Beelden (BSDS 500):
- QFM behaalde de hoogste PSNR en SSIM-waarden op alle splits (train, validatie, test).
- Vooral opvallend bij zeer hoge ruisniveaus: QFM behaalde een PSNR-verbetering van ~19,5% ten opzichte van de beste concurrent.
- Kwalitatief behoudt QFM meer details en vermijdt oversmoothing in vergelijking met andere methoden.
Fluorescentiemicroscopie (FMDD):
- QFM presteerde consistent beter dan gespecialiseerde medische modellen (TransUNet, MOTFM) over alle ruisniveaus (van ruwe data tot ge-averagede data).
- Het behoudt fijne filamentaire structuren beter dan concurrenten.
Low-Dose CT (Mayo Dataset):
- QFM herstelde zwakke weefselgrenzen en fijne longstructuren (alveoli) nauwkeuriger dan traditionele reconstructiemethoden (FBP, SIRT) en deep learning baselines.
- Resultaten: ~44,25 dB PSNR op het borstsubset, wat significant hoger is dan de concurrentie.
Ablatie-studie:
- Vergelijking met een niet-adaptieve variant (vaste inferentie) toonde aan dat QFM bij hoge ruis de PSNR met 11,86 dB verbeterde en bij lage ruis met 8,18 dB. Dit bevestigt dat adaptiviteit cruciaal is voor robuustheid.

5. Betekenis en Conclusie

Dit werk biedt een praktische oplossing voor een van de grootste beperkingen van generatieve modellen in de beeldherstelling: de afhankelijkheid van een bekend en homogeen ruisniveau.

Efficiëntie: Door onnodige berekeningen voor schone beelden te vermijden, wordt de inferentie-efficiëntie verhoogd.
Robuustheid: Het systeem is in staat om te generaliseren naar onbekende en variërende ruisomstandigheden, wat essentieel is voor real-world toepassingen in de medische beeldvorming en wetenschappelijke microscopie.
Toekomstperspectief: Hoewel de methode uitgaat van een globaal ruisniveau (wat een beperking is bij sterk niet-uniforme ruis), opent het de weg voor verdere ontwikkelingen in adaptieve generatieve modellen die zich dynamisch aanpassen aan de inputkwaliteit.

Samenvattend introduceert QFM een paradigmaverschuiving van "vaste inferentie" naar "kwantitatief adaptieve inferentie", waardoor zowel de kwaliteit van de restauratie als de rekenefficiëntie aanzienlijk worden verbeterd.