基于提示条件信息瓶颈的极端盲图恢复
计算机视觉与模式识别
2025-10-02 v1 人工智能
机器学习
摘要
盲图恢复 (BIR) 方法取得了显著成功，但在面对极端盲图恢复 (EBIR) 时会失效，其中输入受到超出训练范围的严重、复合退化。直接从极低质量 (ELQ) 图像学习到高质量 (HQ) 图像的映射具有挑战，常导致不自然的伪影和细节丢失。为此，我们提出一种新框架，将不可行的 ELQ-to-HQ 恢复过程分解为多个步骤。首先，我们学习一个投影器，将 ELQ 图像映射到较不退化的 LQ 流形上。该中间图像随后使用冻结的、即插即用的 BIR 模型恢复为 HQ 图像。我们的框架基于信息论；我们提供了将图恢复视为信息瓶颈问题的新视角，并推导出以理论为导驱动的目标函数来训练投影器。该损失函数通过平衡低质量重构项与高质量先验匹配项，有效稳定了训练。我们的框架实现了推理时的“一次前瞻” (Look Forward Once, LFO) 提示细化，并支持无需微调即可增强现有图恢复模型。大量实验在严重退化情形下提供了对我们工作有效性的全面分析。
引用
@article{arxiv.2510.00728,
title = {Extreme Blind Image Restoration via Prompt-Conditioned Information Bottleneck},
author = {Hongeun Kim and Bryan Sangwoo Kim and Jong Chul Ye},
journal= {arXiv preprint arXiv:2510.00728},
year = {2025}
}