超越真实标签：利用图像质量先验进行真实场景图像复原
计算机视觉与模式识别
2026-04-07 v2
摘要
真实场景图像复原旨在从在不受控条件下捕获的退化低质量（LQ）输入中恢复高质量（HQ）图像。现有方法通常依赖真实标签（GT）监督，假设 GT 提供了完美的参考质量。然而，GT 仍可能包含感知一致性不一致的图像，导致模型收敛到训练数据的平均质量水平，而非达到可达到的最高感知质量。为了解决这些问题，我们提出了一个名为 IQPIR 的新框架，引入从预训练的无参考图像质量评估（NR-IQA）模型中提取的图像质量先验（IQP），以引导复原过程明确地朝向感知最优输出。我们的方法通过三个关键机制协同整合 IQP 与学习到的码本先验：（1）一个质量条件 Transformer，其中 NR-IQA 导出的分数作为条件信号，引导预测表示朝向最大感知质量。该设计提供了即插即用的增强，兼容现有复原架构而无需结构修改；以及（2）一个双分支码本结构，解耦了通用特征和 HQ 特定特征，确保对通用结构信息和质量敏感属性的全面表示；以及（3）一个基于离散表示的质量优化策略，缓解了连续潜在空间中常见的过度优化效应。在真实场景图像复原上的广泛实验表明，我们的方法不仅超越了最先进方法，还可作为现有方法的通用质量引导增强策略。代码已公开。
引用
@article{arxiv.2603.29773,
title = {Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration},
author = {Fengyang Xiao and Peng Hu and Lei Xu and XingE Guo and Guanyi Qin and Yuqi Shen and Chengyu Fang and Rihan Zhang and Chunming He and Sina Farsiu},
journal= {arXiv preprint arXiv:2603.29773},
year = {2026}
}
备注
Accepted by CVPR 2026