QualiTeacher：面向现实图像修复的质量条件化伪标签生成

现实世界图像修复（RWIR）因缺乏干净真实图像而极具挑战性。许多近期方法采用伪标签（PL）监督，常于 Mean-Teacher 框架下实现。然而，这些方法面临严重悖论：无条件信任常不完美、低质量的 PL 会迫使学生模型学习不良特征，而摒弃它们则严格限制数据多样性并损害模型泛化。本文提出 QualiTeacher 框架，将伪标签质量从噪声负担转化为条件监督信号。QualiTeacher 不采用过滤机制，而是显式地以 PL 质量（由覆盖低层失真与语义层级评估的互补非参考图像质量评估模型集合估计）为条件来指导学生模型。此策略教导学生网络学习质量分层的修复流形，使其理解不同质量水平的含义。因此，它不仅能避免模仿低质量标签的伪影，还能生成高于教师本身的修复结果。为确保该质量导向学习的鲁棒性与准确性，我们进一步引入多增强方案丰富 PL 质量谱系，引入基于 Direct Preference Optimization（DPO）的评分偏好优化策略以实现质量分层的单调排序，并引入裁剪一致性损失防止 IQA 模型过度优化（奖励作弊）。在标准 RWIR 基准上实验表明，QualiTeacher 可作为即插即用策略提升现有伪标签框架质量，确立从不完美监督中学习的新范式。代码将公开发布。