DRNet：基于先验引导的动态重参数化全能图像修复
计算机视觉与模式识别
2026-05-12 v1
摘要
全能图像修复旨在处理单一模型中的多样化退化情况。然而，现有方法常受制于三个关键局限性：1）来自动态退化估计的 per-input 计算开销；2）由于任务异构性导致的优化挑战；3）频率无感编码器设计的低效。为克服这些问题，本文引入动态重参数化网络（DRNet），一种新型框架，采用初始化阶段重新配置范式，从根本上消除 per-input 开销。其核心是由任务特定调制器（TSM）指导的动态重参数化 MLP（DRMLP），有效通过在统一架构中协调特定恢复目标与通用通用模式两种方式，缓解任务异构性。进一步，我们引入连续小波变换编码器（CWTE），显式利用小波分解捕获频率特征，实现轻量且高效的设计。大量实验表明，DRNet 在五个修复任务上实现了最新性能，同时展现出优异的参数效率。关键的是，它展现出独特的灵活性，既作为高水平�基督恢复的 foundation model 表现出强竞争力，也作为高度竞争的用户指导专家表现出顶尖性能。
引用
@article{arxiv.2605.08627,
title = {DRNet: All-in-One Image Restoration via Prior-Guided Dynamic Reparameterization},
author = {Ao Li and Xiaoning Liu and Sheng Li and Yapeng Du and Zhen Long and Lei Luo and Le Zhang and Ce Zhu},
journal= {arXiv preprint arXiv:2605.08627},
year = {2026}
}
备注
Accepted by IEEE TMM