来自生成式oracle的学习：无监督图像修复的领域适应
计算机视觉与模式识别
2025-12-15 v1 图像与视频处理
摘要
预训练的图像修复模型常因领域差距大而在真实世界的、分布外的退化情况下失败。由于分布外数据缺乏真实标签，适应这些不可见领域的挑战大，因为传统的适应方法通常需要复杂的架构修改。我们提出了 LEGO (Learning from a Generative Oracle)，一个用于无配对数据后训练领域适应的实用三阶段框架。LEGO 将这一无监督挑战转换为可实现的伪监督问题。首先，我们获得预训练模型的初始修复结果。其次，我们利用冻结的大规模生成式oracle将这些估计细化为高质量的伪真实标签。最后，我们采用混合监督策略将原始模型使用新的伪配对进行微调。该方法无需牺牲原始鲁棒性或要求架构修改即可适应新分布。实验表明，LEGO有效地弥合了领域差距，在多样化的真实世界基准测试上显著提升了性能。
引用
@article{arxiv.2512.11121,
title = {Learning from a Generative Oracle: Domain Adaptation for Restoration},
author = {Yuyang Hu and Mojtaba Sahraee-Ardakan and Arpit Bansal and Kangfu Mei and Christian Qi and Peyman Milanfar and Mauricio Delbracio},
journal= {arXiv preprint arXiv:2512.11121},
year = {2025}
}