Score-Guided Proximal Projection: Einheitliches Framework für Bildbearbeitung

Ein neues Forschungswerkzeug namens Score‑Guided Proximal Projection (SGPP) verspricht, die bisher schwierige Steuerung von Rectified‑Flow‑Modellen zu revolutionieren. Diese Modelle liefern bereits erstklassige Bildgenerierungen, doch die präzise Anpassung an Aufgaben wie semantische Bearbeitung oder Blind‑Image‑Recovery blieb bislang problematisch.

SGPP verbindet deterministische Optimierung mit stochastischem Sampling und formuliert die Rekonstruktionsaufgabe als proximale Optimierung. Dabei entsteht ein Energielandschaft, die die Treue zum Eingangsbild mit der Realitätsnähe des vortrainierten Score‑Feldes ausbalanciert. Theoretisch wird gezeigt, dass diese Zielfunktion eine normale Kontraktions‑Eigenschaft besitzt, die garantiert, dass abweichende Eingaben auf die Daten‑Manifold zurückgeführt werden und der Posterior‑Modus innerhalb dieses Manifolds erreicht wird.

Ein besonderer Vorteil von SGPP ist die Möglichkeit der „soft guidance“. Durch die Anpassung der proximalen Varianz kann man flexibel zwischen strikter Identitäts‑Erhaltung und generativer Freiheit wählen – ohne zusätzliche Trainingsschritte. Das Framework ist zudem generisch genug, um bestehende Methoden wie RF‑Inversion als Grenzfall abzubilden, wodurch es sich als umfassende Lösung für die Bildbearbeitung etabliert.