Jul, 2024
GRIDS：图像退化相似性分组多退化修复
GRIDS: Grouped Multiple-Degradation Restoration with Image Degradation
Similarity
TL;DR传统的单任务图像恢复方法在处理特定的劣化类型方面表现出色，但在处理多种劣化方面却困难重重。为了解决这个限制，我们提出了一种新颖的方法——具有图像劣化相似性的分组恢复（GRIDS），该方法协调了多种劣化恢复中的竞争目标。我们首先引入了一种定量方法来评估图像劣化之间的关系，使用深度劣化表示的统计建模。这种分析有助于对相似任务进行战略性分组，提高恢复过程的效率和效果。基于劣化相似性，GRIDS将恢复任务分为最佳分组之一，同一组任务之间高度相关。例如，GRIDS将11种劣化类型有效地分为4个连贯的组。每个组内的训练模型都显示出显著的改进，在单任务上限模型上平均改进了0.09dB，在混合训练基线模型上平均改进了2.24dB。GRIDS通过自适应模型选择机制进行推断，根据输入的劣化情况自动选择适当的分组训练模型。这种机制在实际场景中对于未知劣化情况非常有用，因为它不依赖于显式的劣化分类模块。此外，我们的方法可以预测模型的泛化能力，而无需进行网络推断，为从业人员提供宝贵的洞察力。