超越模型设计：数据中心训练与高斯彩色图像去噪的自集成
计算机视觉与模式识别
2026-04-28 v2
摘要
本文提出了我们对 NTIRE 2026 图像去噪挑战赛（高斯彩色图像去噪，固定噪声水平 ）的解决方案。我们并未提出新的恢复主干网络，而是从两个互补的角度重新审视成熟的 Restormer 架构性能边界：更强的数据中心训练和更完整的测试时能力释放。在公开的 Restormer 基线上，我们扩展了更大规模和更具多样性的公开图像语料库的标准多数据集训练配方，并组织为两个阶段进行优化。在推理时，我们应用 的几何自集成进一步释放模型容量。保留了 TLC 风格的局部推理包装以保持实现一致性；然而，系统消融实验表明在此设置下，其定量贡献可忽略不计。在该挑战验证集的 100 张图像上，我们的最终提交方案实现了 30.762 dB PSNR 和 0.861 SSIM，相较于公开的 Restormer 预训练基线提升了最高达 3.366 dB PSNR。消融研究表明，主要增益来源于扩充的训练语料库和两阶段优化计划，而自集成提供的是边际但持续的改进。
引用
@article{arxiv.2604.11468,
title = {Beyond Model Design: Data-Centric Training and Self-Ensemble for Gaussian Color Image Denoising},
author = {Gengjia Chang and Xining Ge and Weijun Yuan and Zhan Li and Qiurong Song and Luen Zhu and Shuhong Liu},
journal= {arXiv preprint arXiv:2604.11468},
year = {2026}
}