基于遮蔽退化分类的通用图像修复预训练方法
计算机视觉与模式识别
2025-10-16 v1
摘要
本研究提出一种遮蔽退化分类预训练方法（MaskDCPT），旨� facilitate 图像修复任务中退化类型的分类，从而实现全面的图像修复预训练。不同于传统预训练方法，MaskDCPT 采用图像的退化类型作为极弱监督，同时利用图像重建来提升性能和鲁棒性。MaskDCPT 包含一个编码器和两个解码器：编码器从被遮蔽的低质量输入图像中提取特征。分类解码器使用这些特征来识别退化类型，而重建解码器旨�重建相应的高质量图像。这种设计使预训练同时受益于遮蔽图像建模和对比学习， resulting in 适用于修复任务的通用表示。得益于简洁而强大的 MaskDCPT，预训练好的编码器可用于解决通用图像修复，取得卓越的性能。实现 MaskDCPT 可显著提升卷积神经网络（CNN）和 Transformer 的性能，在 5D 全能修复任务中 PSNR 至少提高 3.77 dB，在真实世界退化场景中 PIQE 降低 34.8%。它还显示出对以前看不见的退化类型和程度的强大泛化能力。此外，我们整理并发布了 UIR-2.5M 数据集，包含 250 万对修复样本，覆盖 19 种退化类型和超过 200 种退化程度，包含合成数据和真实世界数据。数据集、源代码和模型均可在 https://github.com/MILab-PKU/MaskDCPT 获取。
引用
@article{arxiv.2510.13282,
title = {Universal Image Restoration Pre-training via Masked Degradation Classification},
author = {JiaKui Hu and Zhengjian Yao and Lujia Jin and Yinghao Chen and Yanye Lu},
journal= {arXiv preprint arXiv:2510.13282},
year = {2025}
}