用于广义全景图像修复的连续 Wasserstein 重心空间学习
计算机视觉与模式识别
2026-02-27 v1
摘要
尽管全景图像修复方法在统一模型中处理多样化退化方面取得了显著进展，但现有方法仍对超出分布退化较为脆弱，限制了其在现实场景中的泛化能力。为此，我们受到以下直觉启发：多源退化特征分布由从特定退化相关偏移引起的底层退化不敏感分布而引出，因而恢复此类共享分布对于实现跨退化的泛化至关重要。基于此洞见，我们提出 BaryIR，一种通过 Wasserstein 重心（WB）空间对多源退化特征进行对齐的表示学习框架，WB 空间通过最小化到多源退化分布的 Wasserstein 距离的平均值来建模退化不敏感分布。我们进一步引入残差子空间，其嵌入在保持与 WB 嵌入正交的同时进行互相对比。因此，BaryIR 显式地解耦了两个正交空间：一个编码跨退化共享的退化不敏感内容的 WB 空间，以及能够适应性地保留退化特定知识的残差子空间。这种解耦缓解了对训练中退化的过拟合，使修复能够基于退化不敏感的共享不变性进行自适应。广泛的实验表明，BaryIR 在与最新全景方法方面表现出竞争力。值得注意的是，BaryIR 对未见退化（例如类型和程度）具有良好泛化性，并在训练退化类型有限且在带有混合退化的真实数据上进行评估时展现出卓越的鲁棒性。
引用
@article{arxiv.2602.23169,
title = {Learning Continuous Wasserstein Barycenter Space for Generalized All-in-One Image Restoration},
author = {Xiaole Tang and Xiaoyi He and Jiayi Xu and Xiang Gu and Jian Sun},
journal= {arXiv preprint arXiv:2602.23169},
year = {2026}
}