GenDeg：基于扩散模型的通用图像恢复综合 degrading 合成
计算机视觉与模式识别
2025-03-25 v2
摘要
深度学习模型用于所有场景图像恢复（AIOR）近年来取得了显著进展。然而，其实际应用受限于对训练分布之外样本的泛化能力差。这种限制主要源于现有数据集中退化变化和场景的多样性不足，导致对真实场景的表征不充分。此外，对于雾、低光和雨滴等实际退化，大规模收集配对数据往往繁琐且有时不可行。本文利用潜在扩散模型的生成能力，从干净图像合成高质量退化图像。具体而言，我们引入GenDeg，一种具备退化类型和强度感知条件扩散模型，能够在干净图像上生成多样化的退化模式。使用GenDeg，我们合成了超过 55 万个包含雾、雨、雪、运动模糊、低光和雨滴六种退化类型的样本。这些生成样本与现有数据集整合，形成包含 75 万以上样本的 GenDS 数据集。我们的实验表明，训练基于 GenDS 数据集的图像恢复模型在越样本性能上显著优于仅训练现有数据集的模型。此外，我们对扩散模型基的合成退化对 AIOR 的影响进行了全面分析。
引用
@article{arxiv.2411.17687,
title = {GenDeg: Diffusion-based Degradation Synthesis for Generalizable All-In-One Image Restoration},
author = {Sudarshan Rajagopalan and Nithin Gopalakrishnan Nair and Jay N. Paranjape and Vishal M. Patel},
journal= {arXiv preprint arXiv:2411.17687},
year = {2025}
}
备注
Accepted to CVPR 2025. Project Page: https://sudraj2002.github.io/gendegpage/