FoundIR-v2：优化图像修复基础模型预训练数据混合比例
计算机视觉与模式识别
2025-12-11 v1
摘要
近期研究显示，图像修复基础模型的显著进展得益于预训练数据的规模和质量的提升。本文发现，来自不同修复任务的数据混合比例也是决定所有-in-one 图像修复模型整体性能的关键因素。为此，我们提出了高容量基于扩散的图像修复基础模型 FoundIR-v2，采用数据均衡调度范式动态优化来自不同任务的混合训练数据集比例。通过利用数据混合规律，我们的方法确保了数据集组成的平衡，使模型能够在 diverse tasks across 场景中实现一致的泛化和全面性能。此外，我们引入了有效的 Mixture-of-Experts (MoE) 驱动的调度器用于生成式预训练，以灵活为每个修复任务分配 task-adaptive 扩散先验，考虑到不同任务呈现的不同损坏形式和程度。大量实验表明，该方法可涵盖 50 多个子任务，覆盖更广泛的真实场景，并在 state-of-the-art 方法之外取得优异性能。
引用
@article{arxiv.2512.09282,
title = {FoundIR-v2: Optimizing Pre-Training Data Mixtures for Image Restoration Foundation Model},
author = {Xiang Chen and Jinshan Pan and Jiangxin Dong and Jian Yang and Jinhui Tang},
journal= {arXiv preprint arXiv:2512.09282},
year = {2025}
}
备注
Project page: https://lowlevelcv.com/