超越退化冗余：面向全能图像恢复的对比提示学习
计算机视觉与模式识别
2026-01-01 v3
摘要
全能图像恢复（AiOIR）旨在用统一模型处理多种退化类型，在设计能有效引导跨多种退化场景恢复的任务感知提示方面面临重大挑战。虽然自适应提示学习能够实现端到端优化，但往往产生重叠或冗余的任务表示。相反，来自预训练分类器的显式提示增强了可区分性，但丢弃了重建所需的关键视觉信息。为解决这些限制，我们引入了对比提示学习（CPL），一个通过两个互补组件改善提示-任务对齐的框架：稀疏提示模块（SPM）高效捕获退化感知表示同时减少冗余，以及对比提示正则化（CPR）通过引入不同退化类型的负提示样本显式强化任务边界。与以往主要关注退化分类的方法不同，CPL直接优化提示与恢复模型之间的交互。在五个基准上的大量实验表明，CPL在多种场景下持续提升强AiOIR基线的性能。我们的方法在这些基准上达到了平均性能的最先进水平，为AiOIR提供了通用且鲁棒的解决方案。代码见https://github.com/Aitical/CPLIR。
引用
@article{arxiv.2504.09973,
title = {Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration},
author = {Gang Wu and Junjun Jiang and Kui Jiang and Xianming Liu and Liqiang Nie},
journal= {arXiv preprint arXiv:2504.09973},
year = {2026}
}
备注
Accepted by IEEE TPAMI