💻 computer science

UniCycleFlow: Bidirectional Unpaired Image Translation with a Shared Rectified Flow

O UniCycleFlow introduz um framework de tradução de imagem não pareada bidirecional que unifica transformações de ida e volta dentro de um único fluxo retificado condicionado pelo tempo, ao aprender pontos finais determinísticos condicionados pela origem com correspondência marginal adversária, alcançando assim o estado da arte em múltiplas tarefas de tradução enquanto preserva estruturas específicas da origem.

Autores originais: Xianhao Zhou, Jianghao Wu, Shaoting Zhang, Guotai Wang

Publicado 2026-08-10

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xianhao Zhou, Jianghao Wu, Shaoting Zhang, Guotai Wang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um tradutor mestre, mas em vez de converter palavras entre francês e inglês, você está traduzindo mundos inteiros. Você quer transformar a foto de um prado de verão em uma paisagem de inverno nevada, ou uma zebra em um cavalo, sem nunca ter visto sequer um par de fotos de "antes e depois" para guiá-lo. Este é o território selvagem da tradução de imagem não pareada. No passado, os computadores tinham dificuldades com isso porque não sabiam qual flor de verão específica deveria se tornar qual floco de neve de inverno específico. Eles frequentemente apenas chutavam, resultando em borrões ou imagens que perdiam sua forma original. Para corrigir isso, os cientistas geralmente ensinavam os computadores a jogar um jogo de "viagem de ida e volta": traduzir uma foto de verão para o inverno e, depois, tentar traduzi-la de volta para o verão. Se o resultado final parecesse com a original, o computador estava fazendo um bom trabalho. Mas este método era como verificar se uma viagem de ônibus de ida e volta retornou à estação; não garantia que o ônibus tivesse feito um trajeto suave e lógico no meio do caminho.

Surge o UniCycleFlow, uma nova abordagem que muda o jogo ao tratar a tradução de imagem não como dois trabalhos separados, mas como uma jornada única e contínua. Em vez de construir dois tradutores diferentes (um para verão-para-inverno e outro para inverno-para-verão), este método constrói um único "campo de velocidade" — pense nisso como um mapa de vento universal que sopra em ambas as direções. Se você quiser ir de Verão para Inverno, você deixa o vento soprar para frente; se quiser voltar, basta inverter o vento. O principal achado do artigo é que, ao forçar ambas as direções a seguirem este mesmo mapa de vento invisível, o computador aprende a preservar a estrutura da imagem original muito melhor do que antes. Os autores mediram isso testando dez tarefas de tradução diferentes (como transformar gatos em cães ou mapas aéreos em vistas de rua) e descobriram que seu método produziu as imagens mais claras e realistas com o menor número de erros, alcançando uma pontuação máxima de 55,1 em um teste de qualidade padrão chamado FID. Eles também mostraram que, mesmo que você peça ao computador para dar apenas um passo gigante em vez de muitos passos pequenos, o resultado ainda é excelente, provando que o caminho é incrivelmente reto e eficiente.

O Problema: A Armadilha do "Pareamento Aleatório"

Imagine que você está tentando ensinar um robô a transformar a foto de um cavalo em uma zebra. O robô tem uma caixa de fotos de cavalos e uma caixa de fotos de zebras, mas elas não estão combinadas. Se você apenas pegar um cavalo aleatório e uma zebra aleatória e disser ao robô: "Transforme este cavalo naquela zebra", o robolo ficará confuso. Ele pode tentar transformar as pernas do cavalo nas listras da zebra ou, pior, pode tentar transformar a cabeça do cavalo na cauda da zebra porque os dois animais estão em poses diferentes. O robô acaba aprendendo uma mistura bagunçada de "como mudar um cavalo" e "como mudar uma pose específica", resultando em uma criatura estranha e distorcida.

Métodos anteriores tentaram corrigir isso construindo dois robôs separados: um para ir de A para B, e outro para ir de B para A. Eles verificavam se o robô conseguia fazer A → B → A e retornar à imagem original. Embora isso ajudasse, era como verificar se um motorista conseguia retornar ao ponto de partida; não garantia que o motorista tivesse percorrido a mesma estrada nos dois sentidos. Os dois robôs poderiam seguir caminhos completamente diferentes e sinuosos que, por acaso, começavam e terminavam nos lugares certos.

A Solução: Um Vento, Duas Direções

Os autores deste artigo, o UniCycleFlow, decidiram parar de construir dois robôs. Em vez disso, construíram um único mapa de vento (um "campo de velocidade") que existe em um espaço compartilhado entre os dois mundos.

Pense no tempo como uma régua. No início da régua (tempo 0), você tem sua imagem de origem (como um cavalo). No final da régua (tempo 1), você tem sua imagem de destino (como uma zebra). O "vento" sopra do tempo 0 para o tempo 1.

Para ir de Cavalo → Zebra, você apenas deixa o vento soprar para frente.
Para ir de Zebra → Cavalo, você simplesmente inverte o vento e sopra para trás, do tempo 1 para o tempo 0.

Como é o mesmo mapa de vento, as regras para transformar um cavalo em uma zebra são exatamente as mesmas regras para transformar uma zebra de volta em um cavalo, apenas no sentido inverso. Isso força o computador a aprender um conjunto único e consistente de regras para a transformação, em vez de dois conjuntos de regras separados e conflitantes.

O Truque Mágico: Aprendendo o Destino Correto

Aqui está a parte complicada: como o computador sabe qual cavalo específico deve se transformar em qual zebra específica, já que ele não possui pares correspondentes? Se ele apenas chutar, ainda cometerá o erro de "pareamento aleatório" que mencionamos anteriormente.

O UniCycleFlow resolve isso com um truque inteligente chamado correspondência de fronteira adversarial (adversarial boundary matching). Em vez de forçar o computador a combinar um cavalo específico com uma zebra específica do conjunto de dados, o computador aprende a criar seu próprio destino perfeito.

O computador olha para um cavalo e diz: "Eu vou criar uma zebra que pareça exatamente uma zebra real".
Ele cria uma zebra falsa.
Um "juiz" (um discriminador) olha para a zebra falsa e para as zebras reais. Se o juiz conseguir distingui-las, o computador tenta novamente.
Uma vez que o juiz não consegue mais notar a diferença, o computador encontrou um "par perfeito" para aquele cavalo específico, mesmo que ele não estivesse no conjunto de dados original.

Agora, o computador tem um caminho claro: Cavalo → Zebra Falsa Perfeita. Ele desenha uma linha reta entre eles e aprende o vento necessário para percorrer essa linha. Como o destino foi criado especificamente para aquela origem, o caminho é limpo e lógico, evitando a confusão dos pareamentos aleatórios.

Mantendo a Jornada Suave

Saber apenas os pontos de partida e chegada não é suficiente. O computador precisa garantir que a jornada no meio do caminho seja suave e não deforme a imagem de forma estranha. Os autores adicionaram três redes de segurança para garantir que o caminho seja perfeito:

Auto-Correspondência de Fluxo (Self-Flow Matching): Imagine que o computador está caminhando ao longo do caminho. Ele verifica seus próprios passos para garantir que o vento seja consistente. Se o vento mudar de direção repentinamente no meio da jornada, o computador se corrige. Isso garante que o caminho seja uma linha reta, não um emaranhado instável.
Fechamento de Ciclo (Cycle Closure): Esta é a verificação de "ida e volta", mas de forma mais inteligente. O computador faz Cavalo → Zebra → Cavalo e verifica se termina exatamente onde começou. Se os dois passos não se cancelarem perfeitamente, o computador aprende a corrigir o mapa de vento para que o ciclo se feche de forma justa.
Regularização de Velocidade de Caminho de Representação: Esta é a verificação mais sutil. Às vezes, uma imagem pode parecer aceitável, mas a "sensação" da imagem muda demais no meio do processo. Por exemplo, a textura do pelo pode ficar muito difusa antes de se tornar nítida novamente. O computador usa um "olho" congelado (um codificador pré-treinado) para observar a imagem em cada pequeno passo da jornada. Ele garante que as características (como a textura do pelo ou o formato do olho) mudem de forma lenta e constante, em vez de saltarem desordenadamente.

Os Resultados: Uma Imagem Mais Clara

Os autores testaram este novo método em dez tarefas de tradução diferentes, incluindo transformar verão em inverno, cavalos em zebras e gatos em cães. Eles compararam seus resultados com muitos outros métodos famosos.

Os resultados foram impressionantes. Quando o computador teve permissão para dar apenas um único passo (uma "inferência de um passo") para traduzir a imagem, o UniCycleFlow alcançou a melhor pontuação (menor erro) em 7 de 10 tarefas. Sua pontuação média em todas as dez tarefas foi de 55,1, que foi melhor do que o método anterior mais bem-sucedido (DCLGAN), que marcou 62,6.

Ainda mais surpreendente, o método funcionou quase tão bem quer o computador desse um único passo gigante ou cinco passos menores. Isso sugere que o caminho que o computador aprendeu é tão reto e direto que ele não precisa dar passos pequenos e cautelosos para chegar lá. Ele pode simplesmente saltar da origem para o destino com confiança.

Por Que Isso Importa

O UniCycleFlow mostra que não precisamos construir sistemas complexos e separados para cada direção de tradução. Ao tratar a transformação como uma jornada única e contínua governada por um único conjunto de regras, podemos obter resultados mais claros e estáveis. É como perceber que, para ir de casa à escola e voltar, você não precisa de dois mapas diferentes; você só precisa de um bom mapa e da habilidade de percorrê-lo de trás para frente. Essa abordagem não apenas economiza poder de processamento, mas também garante que a "história" da imagem permaneça consistente, não importa em qual direção você viaje.

Resumo Técnico do UniCycleFlow

Definição do Problema
A tradução de imagem não pareada bidirecional busca transformar imagens entre dois domínios visuais sem pares alinhados de origem–destino. Um desafio central nesta configuração é preservar a estrutura específica da imagem de origem enquanto se aprende transformações coerentes em ambas as direções. Os métodos existentes tipicamente dependem de dois geradores específicos para cada direção ou de modelos de via única separados, vinculados pela consistência de ciclo. Embora os objetivos de ciclo imponham a reconstrução do ponto final, eles não exigem que as duas direções obedeçam a uma regra de transformação local comum. Além disso, as formulações padrão de fluxo retificado, que constroem caminhos de interpolação a partir de acoplamentos de pontos finais prescritos, falham em configurações não pareadas porque a amostragem independente de imagens reais de dois domínios mistura o deslocamento de domínio desejado com diferenças arbitrárias de conteúdo, pose e layout espacial, resultando em alvos de velocidade mal alinhados.

Metodologia
Os autores propõem o UniCycleFlow, um framework que modela a tradução bidirecional como a integração direta e reversa de um único campo de velocidade condicionado ao tempo, $v_\theta(x, t)$ , em vez de usar geradores separados.

Dinâmica Temporal Compartilhada: Os dois domínios são atribuídos a extremidades opostas de um intervalo temporal ( $t=0$ para o domínio A, $t=1$ para o domínio B). A tradução é alcançada integrando o mesmo campo de velocidade para frente ( $A \to B$ ) ou para trás ( $B \to A$ ). A rede sempre prevê a velocidade em uma orientação canônica $A \to B$ ; a direção é determinada unicamente pelo sinal do incremento de tempo durante a integração de Euler.
Construção de Ponto Final Condicionada à Origem: Para abordar a falta de um acoplamento significativo entre origem e destino em dados não pareados, o UniCycleFlow aprende pontos finais determinísticos para cada imagem de origem. Em vez de parear uma origem com uma imagem real amostrada independentemente, o modelo gera um ponto final de destino $\hat{x}_B$ a partir de $x_A$ (e vice-versa). As distribuições marginais desses pontos finais gerados são correspondidas adversariamente aos domínios opostos usando discriminadores PatchGAN. Isso cria trajetórias retas específicas de tradução $(x_A, \hat{x}_B)$ e $(\hat{x}_A, x_B)$ sem depender de pareamentos arbitrários de imagens reais não relacionadas.
Regularização de Trajetória: Como a supervisão apenas do ponto final não restringe os estados intermediários nem garante uma composição consistente, três termos de regularização são introduzidos:
- Auto-Correspondência de Fluxo com Gradiente Interrompido (SelfFM): Este termo transfere o deslocamento de fronteira para as previsões do campo intermediário. Ao desconectar as velocidades de fronteira, o modelo supervisiona os estados intermediários ao longo do caminho induzido sem alterar simultaneamente o deslocamento do ponto final através do mesmo objetivo.
- Fechamento de Ciclo Discreto: Este termo restringe a composição dos mapas de ponto final direto e reverso, garantindo que traduzir uma imagem para frente e depois para trás retorne próximo à original.
- Regularização de Velocidade de Caminho de Representação (RPV): Este termo mede as mudanças de características de diferença finita entre estados de trajetória vizinhos usando um codificador denso congelado (ex: VGG16). Ele controla as mudanças de características localizadas ao longo da trajetória no espaço de representação, evitando variações localizadas excessivas que poderiam ocorrer mesmo com um caminho reto no espaço de pixels.

Principais Contribuições

Dinâmica Unificada: O artigo introduz uma formulação onde a tradução bidirecional é governada por um único modelo de transformação indexado ao tempo, acoplando diretamente as mudanças diretas e reversas em vez de depender de geradores separados ou condicionamento discreto.
Aprendizado de Ponto Final Adversário para Fluxo Não Pareado: Os autores propõem um método para construir trajetórias de fluxo retificado válidas para dados não pareados, aprendendo pontos finais determinísticos condicionados à origem, cujas marginais são adversariamente correspondidas aos domínios de destino.
Regularização Abrangente: O framework integra auto-correspondência de fluxo com gradiente interrompido, fechamento de ciclo discreto e regularização de velocidade de caminho de representação para garantir consistência nos níveis intermediário, composicional e perceptual.

Resultados
O método foi avaliado em dez direções de tradução através de cinco pares de domínios (Verão/Inverno, Cavalo/Zebra, Gato/Cão, Selvagem/Cão, Aéreo/Mapa).

Desempenho: Usando um único passo de avaliação de Euler ($NFE=1$), o UniCycleFlow alcançou o menor Fréchet Inception Distance (FID) em 7 de 10 tarefas. Obteve o melhor FID médio de 55,1 e o melhor Kernel Inception Distance médio (KID $\times$ 100) de 2,107 em todas as dez direções.
Comparação: Estes resultados superam baselines fortes como o DCLGAN (FID médio 62,6) e o UNSB. Aumentar o orçamento de integração para 5 passos melhorou ainda mais o FID médio para 54,2.
Ablação: Experimentos confirmaram que o aprendizado de pontos finais condicionados à origem proporcionou o maior nível de melhoria sobre o fluxo retificado de pareamento independente. A combinação de SelfFM, fechamento de ciclo e RPV refinou progressivamente os resultados, com o modelo completo alcançando as melhores métricas.

Significância e Alegações
O artigo afirma que o UniCycleFlow fornece um framework de fluxo retificado unificado para tradução não pareada bidirecional que organiza ambas as direções dentro da mesma dinâmica contínua. Ao substituir pareamentos arbitrários por pontos finais aprendidos e condicionados à origem, e ao impor consistência através de regularização de nível de trajetória, o método alcança tradução de alta qualidade com inferência de passo único. Os autores observam que, embora o design atual utilize um campo compartilhado determinístico e não modele explicitamente saídas de um-para-muitos, a abordagem oferece uma base sólida para tradução preservadora de estrutura. Eles também reconhecem limitações, como o potencial viés na supervisão intermediária se as previsões de fronteira forem imprecisas no início do treinamento, e a dependência do RPV da geometria da representação congelada.