用于所有图像修复的动态退化分解网络
计算机视觉与模式识别
2025-03-11 v2
摘要
目前，使用单一模型从多种退化类型中恢复干净图像仍是一个具有挑战性的任务。现有的全能图像修复方法在处理复杂且模糊定义的退化类型方面存在困难。本文引入一种用于所有图像修复的动态退化分解网络，称为DNet。DNet通过跨域交互和动态退化分解实现退化自适应图像修复。具体而言，在DNet中，提出的跨域退化分析器（CDDA）与频域退化特征和空间域图像特征之间进行深入交互，以识别和建模图像上不同退化类型的变化，生成退化校正提示和策略提示，这些提示指导后续的分解过程。此外，基于提示的动态分解机制（DDM）用于逐步退化分解，该机制鼓励网络适应性地选择利用CDDA生成的两种级别提示的修复策略。由于CDDA与DDM之间的协同合作，DNet在处理未知退化时实现了卓越的灵活性和可扩展性，同时有效减少了不必要的计算开销。多个图像修复任务上的广泛实验表明，DNet显著优于最先进的方法，尤其在SOTS-Outdoor和GoPro数据集上分别提高了5.47dB和3.30dB的PSNR。
引用
@article{arxiv.2502.19068,
title = {Dynamic Degradation Decomposition Network for All-in-One Image Restoration},
author = {Huiqiang Wang and Mingchen Song and Guoqiang Zhong},
journal= {arXiv preprint arXiv:2502.19068},
year = {2025}
}