PromptIR：全能盲图像恢复的提示

Jun, 2023

PromptIR: Prompting for All-in-One Blind Image Restoration

Vaishnav Potlapalli, Syed Waqas Zamir, Salman Khan, Fahad Shahbaz Khan

TL;DR该论文提出了一种 PromptIR 的快速恢复图像的方式，通过使用提示语对特定串行卷积网络的应用，在不同类型和级别的退化情况下提高了图像恢复性能，实现了对不同退化类型和级别的推广，并在图像去噪、去雨和去雾方面实现了最先进的结果。

Abstract

image restoration involves recovering a high-quality clean image from its degraded version. deep learning-based methods have significantly improved image restoration performance, however, they have limited genera

image restoration deep learning prompt-based learning degradation-specific information state-of-the-art results

发现论文，激发创造

适用于通用图像恢复的 Prompt-In-Prompt 学习

基于 Prompt-In-Prompt 学习的图像修复模块（PIP）可以通过高效、易用的方式提升现有的图像修复模型，在图像去噪、去雨、去雾、去模糊和低光增强等多个任务上展现出卓越性能，且具备可解释性、灵活性和潜在的真实世界应用潜力。

Dec, 2023

文本提示引导的图像恢复

本研究提出了一种有效的基于文本提示的图像修复模型，通过任务特定的 BERT 进行精确理解用户指令并生成文本提示，设计了深度多头转置注意力和门控卷积模块来弥合文本提示和视觉特征之间的差距，创新地将语义提示引入到低层视觉域中，实验证明该模型在公共去噪、去雾和去雨数据集上获得了显著优越的性能，能够准确识别和去除图像的退化，无需增加模型的复杂性。

Dec, 2023

遵循人类指令的高质量图像修复

使用人类编写的指令指导图像修复模型，InstructIR 能从多种退化类型的图像中恢复高质量图像，包括图像去噪、去雨、去模糊、去雾和低光图像增强等多个恢复任务，并在这些任务上实现了最新的结果，此方法还提供了一个新的基准，用于文本指导的图像修复和增强的研究。

Jan, 2024

基于 CNN 和 Transformer 的全功能图像修复

本研究提出了一种基于数据要素导向的方法，通过利用基于提示的学习来实现单模型高效处理多种图像退化任务，结合卷积神经网络和 Transformer 模块的属性对高质量图像修复进行建模，并引入特征融合机制来改善聚合特征，所得到的 CAPTNet 架构能够处理不同类型的退化情况，在大量实验证明与专门的算法相比具有竞争性的表现。

Sep, 2023

PromptCIR: 盲压缩图像恢复与提示学习

基于 PromptCIR，我们设计了一种基于提示学习的压缩图像恢复网络，能够有效地从不同的压缩级别中恢复图像，通过优化骨干网络和动态提示模块来处理盲目的压缩图像恢复任务，并在盲目压缩图像增强轨道的 NTIRE 2024 挑战中获得第一名。

Apr, 2024

ProRes：探索对降级感知的视觉提示来进行通用图像恢复

本文提出了一种利用降噪、去模糊等各种图像退化类型的可控视觉提示符来实现图像恢复的通用模型 ProRes，该模型可以简单调节以适应新任务，并且在控制和自适应性能方面比特定任务的方法更具竞争力。

Jun, 2023

DaLPSR：针对现实世界图像超分辨率的损失对齐语言提示

本研究提出了利用退化对齐的语言提示来实现准确、精细和高保真度的图像恢复，通过图像恢复提示对图像的退化程度进行自动辨别，同时结合预训练的多模态大型语言模型获取与人类感知紧密相关的高级语义先验，综合比较分析表明，该方法在图像感知质量上达到了新的最先进水平，尤其是在基于无参考度量的真实场景中。

Jun, 2024

多模态提示感知器：全能图像恢复的适应性、普适性和保真度

本研究介绍了 MPerceiver：一种新颖的多模态提示学习方法，利用稳定扩散先验增强了全方位图像修复的适应性、普适性和保真性。通过开发双分支模块，该方法掌握了两种类型的稳定扩散提示：文本提示用于整体表示和视觉提示用于多尺度细节表示。MPerceiver 使用 CLIP 图像编码器的退化预测动态调整这两种提示，从而能够对不同的未知退化进行自适应响应。此外，插件细节优化模块通过直接的编码器到解码器信息转换提高了修复保真性。实验证明，MPerceiver 在全方位图像修复的 9 个任务上经过多任务预训练，优于大多数专门任务的特定方法。在低级视觉方面，MPerceiver 表现出出色的零样本和少样本能力。在 16 个图像修复任务和 26 个基准测试上的大量实验证实了 MPerceiver 在适应性、普适性和保真性方面的优越性。

Dec, 2023

图像超分辨率与文本提示扩散

通过引入文本提示到图像超分辨率中，使用预训练语言模型和扩散模型，实现了优秀的合成和真实图像上的结果。

Nov, 2023

灵活图像修复

在图像修复中，人们常常希望根据指令去除特定的图像退化现象，本文提出了一种名为 TransRFIR 的新型建模方法，它通过感知图像中的不同退化类型并根据文本提示去除特定的退化，该方法基于两个设计的注意力模块，即 MHASA 和 MHACA，具有较低的计算成本和优秀的性能，可以作为图像修复的一种有效架构。

Apr, 2024