生成图像修复的进展：其能力、局限性与评估实践
计算机视觉与模式识别
2026-03-06 v1
摘要
生成式图像修复 (GIR) 已实现惊人的感知真实性，但其实际能力相较于前方法究竟进展如何？为此，我们提出一个基于新多维评估管线的大规模研究，评估模型在细节、锐度、语义正确性和整体质量方面的表现。我们的分析覆盖多种架构，包括基于扩散的、基于 GAN 的、以 PSNR 为导向的以及通用生成模型，揭示了关键性能差异。此外，我们的分析发现，一个关键的失败模式演变标志着该感知导向的低层视觉领域出现了范式迁移。核心挑战从之前的细节稀缺问题（低生成）演变为新的细节质量和语义控制问题（防止过生成）。我们还利用我们的基准训练了一个新的 IQA 模型，更贴合人类感知判断。最终，本工作为现代生成式图像修复模型提供了一项系统性研究，为重新定义其真实状态并为未来发展指明道路。
引用
@article{arxiv.2603.05010,
title = {How far have we gone in Generative Image Restoration? A study on its capability, limitations and evaluation practices},
author = {Xiang Yin and Jinfan Hu and Zhiyuan You and Kainan Yan and Yu Tang and Chao Dong and Jinjin Gu},
journal= {arXiv preprint arXiv:2603.05010},
year = {2026}
}