UniRestorer：通过在恰当 Granularity 估计图像退化来实现通用图像修复
计算机视觉与模式识别
2025-05-23 v3
摘要
最近，在所有任务图像修复方面取得了显著进展。一般而言，现有方法要么是基于退化不敏感的，要么是基于退化感知的。然而，前者受限于无法利用退化特定的恢复，而后者则不可避免地受到退化估计误差的影响。 Consequently, 现有方法的性能与特定单任务模型之间存在较大差距。为此，本文进一步推进该主题，提出 UniRestorer 以提升恢复性能。具体而言，我们对退化空间进行层次化聚类，并训练一种多 Granularity 混合专家 (MoE) 修复模型。随后，UniRestorer 采用退化估计和 Granularity 估计，适性选择合适的专家进行图像修复。与现有的退化不敏感和感知方法不同，UniRestorer 可利用退化估计来促进退化特定的恢复，并利用 Granularity 估计使模型对退化估计误差更具鲁棒性。实验结果表明，UniRestorer 在所有-in-one 方法中显著优于当前 SOTA，且在与特定单任务模型的性能差距方面前景光明。
关键词
引用
@article{arxiv.2412.20157,
title = {UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity},
author = {Jingbo Lin and Zhilu Zhang and Wenbo Li and Renjing Pei and Hang Xu and Hongzhi Zhang and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2412.20157},
year = {2025}
}