RealRestorer：面向大规模图像编辑模型的通用真实世界图像修复
计算机视觉与模式识别
2026-03-27 v1
摘要
真实世界退化条件下的图像修复对自动驾驶和目标检测等下游任务至关重要。然而，现有修复模型往往受限于训练数据的规模和分布，导致在真实世界场景下泛化能力差。最近，大规模图像编辑模型在修复任务中展现出强大的泛化能力，尤其是像Nano Banana Pro这样的闭源模型，可以在修复图像的同时保持一致性。然而，使用这些大型通用模型实现此类性能需要大量的数据和计算成本。为了解决这一问题，我们构建了一个涵盖九种常见真实世界退化类型的大规模数据集，并训练了一个最先进的开源模型以缩小与闭源替代方案的差距。此外，我们引入了RealIR-Bench，包含464张真实世界退化图像以及针对退化去除和一致性保持的定制评估指标。大量实验表明我们的模型在开源方法中排名第一，达到了最先进的性能。
引用
@article{arxiv.2603.25502,
title = {RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models},
author = {Yufeng Yang and Xianfang Zeng and Zhangqi Jiang and Fukun Yin and Jianzhuang Liu and Wei Cheng and jinghong lan and Shiyu Liu and Yuqi Peng and Gang YU and Shifeng Chen},
journal= {arXiv preprint arXiv:2603.25502},
year = {2026}
}
备注
27 pages, 15 figures, Project homepage: https://yfyang007.github.io/RealRestorer/