学习图像自适应码本实现类无关图像修复
该研究提出了一种名为MPRNet的多阶段架构，使用编码器-解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。
Feb, 2021
本研究针对盲目面部修复这一高度不适定问题，通过使用代码预测任务作为修复映射和生成高质量面部的方法，提出了一种名为CodeFormer的转换器预测网络，并设计了一个可控的特征转换模块，以增强方法对不同程度降解的适应性。实验结果表明，CodeFormer在质量和保真度方面均优于现有技术，并对合成和真实情况下的数据集进行了全面验证验证了我们的方法的有效性。
Jun, 2022
本文提出一种基于无监督学习的生成扩散先验（GDP）方法，采用预训练的去噪扩散生成模型（DDPM）来有效地建模后验分布，并通过优化去噪过程中的退化模型参数来实现盲图像恢复，进一步采用分层引导和基于块的方法，使GDP能够产生任意分辨率的图像。实验结果表明，GDP在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法，在各种任务和各种图像大小的数据集上都表现良好。
Apr, 2023
通过DyNet动态网络设计的全能图像恢复任务模型，结合权重共享机制和动态预训练策略，在图像去噪、去雨和去雾等多种任务上取得了最新的成果，同时比基准模型减少31.34%的GFlops与56.75%的参数。
Apr, 2024
在这项工作中，我们提出了一种名为AdaIR的新框架，通过在自我监督预训练中使用合成降解物来构建通用的恢复网络，然后训练特定的适配器来适应特定的降解物，从而实现低存储成本和高效训练，达到多任务恢复的卓越结果。
Apr, 2024
本文提出了一种高效的基于图像补丁学习的框架，仅需一个图像输入输出对进行训练，实验证明该方法适用于监督式图像去模糊和超分辨率任务，并显著提高了学习模型的样本效率、泛化能力和时间复杂度。
Apr, 2024
提出了一种高效的全能图像修复器DaAIR，使用低秩模型DaLe来协同挖掘不同退化中共享的特征和细微差别，生成具有退化感知的嵌入，实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化，达到了高效的修复效果。与现有的全能模型和特定退化模型相比，展示了优异的性能和实用性。
May, 2024
通过挖掘潜在空间中的关键组件并以门控方式重新分配其贡献度，并采用 X 形式的内部感知与上下文注意力的结合，实现了移动设备下对降质图像的高效恢复，有效降低模型复杂度。
Jul, 2024
本文研究解决了现有统一方法在多降解图像修复中忽视任务间共性和特性的不足，提出了一种基于多重低秩适配器的通用图像修复框架。该框架利用预训练的生成模型共享组件，结合降解相似性的LoRA组合策略，显著提升了图像修复的保真度和感知质量，并在多种降解任务中展现出优越的泛化能力。
Sep, 2024