Les modèles de super-résolution basés sur les flux (SR) ont démontré des capacités remarquables dans la génération d’images de haute qualité. Toutefois, ces méthodes font face à plusieurs défis lors de la génération d’images, tels que des artefacts en grille, des inverses explosifs et des résultats sous-optimaux dus à une température d’échantillonnage fixe. Pour surmonter ces problèmes, ce travail introduit un prior appris conditionnel dans la phase d’inférence d’un modèle de super-résolution basé sur les flux. Ce prior est un code latent prédit par notre module latent proposé, conditionné à l’image à faible résolution, puis transformé par le modèle de flux pour produire une image haute résolution. Notre cadre est conçu pour s’intégrer sans heurt à tout modèle contemporain de super-résolution basé sur les flux, sans nécessiter de modification de son architecture ni de ses poids pré-entraînés. Nous évaluons l’efficacité de notre cadre proposé à travers des expériences approfondies et des analyses d’ablation. Le cadre proposé parvient à résoudre efficacement tous les problèmes intrinsèques des modèles de super-résolution basés sur les flux et améliore leurs performances dans divers scénarios de super-résolution. Notre code est disponible à l’adresse suivante : https://github.com/liyuantsao/BFSR