RIRF：推理图像修复框架
计算机视觉与模式识别
2026-04-13 v1
摘要
通用图像修复（UIR）旨在使用统一模型从多样且未知损坏的图像中恢复干净的图像。现有UIR方法主要关注像素重建，往往缺乏对损坏组成、严重程度和场景语义的显式诊断推理。在修复管道中集成结构化链式思考（Chain-of-Thought, CoT）推理的R\&R（Reason and Restore）框架。R\&R引入了由微调Qwen3-VL实现的显式推理器，用于诊断损坏类型、量化损坏严重程度、推断关键损坏相关因素并描述相关场景和对象语义。产生的结构化推理为修复器提供可解释且细粒度的诊断先验。为进一步提高修复质量，由推理器产生的量化损坏严重程度被用作强化学习（RL）信号，以指导并强化修复器。与现有基于多模态LLM的代理式系统不同，R\&R在统一框架中紧密耦合语义诊断推理与像素级修复。广泛的实验表明，R\&R在多样化的UIR基准测试上实现了超越现有方法的卓越性能，同时为修复过程提供了独特的可解释性。
引用
@article{arxiv.2604.09511,
title = {RIRF: Reasoning Image Restoration Framework},
author = {Wending Yan and Rongkai Zhang and Kaihua Tang and Yu Cheng and Qiankun Liu},
journal= {arXiv preprint arXiv:2604.09511},
year = {2026}
}