UGPNet：用于图像修复的通用生成先验

最近的图像修复方法大致可分为两类：(1) 回归方法，恢复原始图像的粗略结构但不合成高频细节；(2) 生成方法，合成感知真实的高频细节，尽管生成的图像偏离了输入图像的原始结构。虽然这两个方向已被广泛独立研究，但很少有关于在单一框架中融合其优势的研究。在本文中，我们提出了 UGPNet，这是一种通用的图像修复框架，通过简单地采用一对现有的回归模型和生成模型，就能有效地结合两种方法的优势。UGPNet 首先使用回归模型恢复退化输入图像的结构，然后在回归输出的基础上利用生成模型合成感知真实的图像。UGPNet 随后结合回归输出和合成输出，得到的最终结果不仅忠实地重建了原始图像的结构，还具备感知真实的纹理。我们在去模糊、去噪和超分辨率方面的广泛实验表明，UGPNet 能够成功利用回归和生成方法实现高保真度的图像修复。