GRIDS：基于图像退化相似性的分组多退化恢复
计算机视觉与模式识别
2024-07-18 v1
摘要
传统单任务图像恢复方法擅长处理特定退化类型，但在处理多重退化时表现不足。为此，我们提出了基于图像退化相似性的分组恢复 (GRIDS)，一种在多退化恢复中协调竞争性目标的新方法。我们首先引入一种定量方法，用于评估图像退化之间的关系，通过对深层退化表示进行统计建模。这一分析促进了相似任务的战略性分组，从而提高了恢复过程的效率和效果。基于退化相似性，GRIDS 将恢复任务分为若干个最优分组，其中同一分组内的任务高度相关。例如，GRIDS 能将 11 种退化类型有效分组为 4 个紧凑的分组。每个分组中训练的模型平均比单任务上限模型提高 0.09dB，比混合训练基准模型提高 2.24dB。GRIDS 包含一种自适应模型选择机制，用于推理，自动根据输入退化选择相应的分组训练模型。该机制在退化未知的实际场景中尤为有用，因为它无需依赖显式的退化分类模块。此外，我们的方法能够在无需网络推理的情况下预测模型的泛化能力，为实践者提供了有价值的见解。
引用
@article{arxiv.2407.12273,
title = {GRIDS: Grouped Multiple-Degradation Restoration with Image Degradation Similarity},
author = {Shuo Cao and Yihao Liu and Wenlong Zhang and Yu Qiao and Chao Dong},
journal= {arXiv preprint arXiv:2407.12273},
year = {2024}
}
备注
Accepted by ECCV2024