梯度即条件：为全能图像修复重新思考HOG

全能图像修复（AIR）旨在通过利用信息丰富的退化条件来引导修复过程，以统一模型解决多样化的退化。然而，现有方法常依赖隐式学习的先验条件，这些先验条件可能 entangled 特征表示，阻碍在复杂或未见情景下的性能。直方图倾斜梯度（HOG）作为经典的梯度表示，我们观察到它在多样化退化下具有强大的判别能力，成为AIR的强大且可解释的先验。基于此洞见，我们提出HOGformer，一个基于Transformer的模型，集成可学习的HOG特征以实现退化感知修复。HOGformer的核心是Dynamic HOG-aware Self-Attention（DHOGSA）机制，适应地在由HOG描述符编码的退化特定线索条件下建模长程空间依赖性。为进一步适应AIR中退化的异构性，我们提出Dynamic Interaction Feed-Forward（DIFF）模块，以促进通道-空间相互作用，实现在多样化退化下的稳健特征转换。此外，我们提出HOG loss以显式增强结构保真度和边缘锐度。在包括恶劣天气和自然退化的多个基准上进行的广泛实验表明，HOGformer实现了最先进的性能，并在复杂真实场景中表现出良好的泛化能力。代码可在 https://github.com/Fire-friend/HOGformer 提供。