基于分层退化表示的全能多退化图像复原网络

图像复原旨在从失真图像中恢复高质量图像。然而，现有方法通常聚焦于单一任务（如去噪、去模糊或超分辨率），无法满足现实世界中多任务处理的需求，尤其在移动设备上。因此，开发一种能够从多种未知失真中复原图像的全能方法是一项重要挑战。已有工作采用对比学习从观测图像中学习退化表示，但这常因正负样本对不足而导致表示漂移。为解决此问题，我们提出一种新颖的全能多退化图像复原网络（AMIRNet），可有效捕获并利用准确的退化表示进行图像复原。AMIRNet 通过聚类逐步构建树结构，为未知退化图像学习退化表示，而无需任何退化信息的先验知识。该树状结构表示显式反映了各种失真的共性与差异，为图像复原提供特定线索。为进一步提升图像复原网络性能并克服未知失真引起的域间隙，我们设计了特征变换块（FTB），在退化表示引导下对齐域并精炼特征。我们在多个失真数据集上进行了广泛实验，从定性与定量上证明了方法的有效性及其相对于最先进复原方法的优势。