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

我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

Aug, 2023

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

本研究中，我们提出了一种全能图像恢复网络，能够处理多种退化问题，通过学习神经退化表示(NDR)来解决多种退化数据的挑战，进一步结合退化查询模块和退化注入模块，实现了多种退化的全能恢复能力，同时采用双向优化策略来驱动NDR学习退化表示，我们的实验证明了该方法的有效性和泛化能力。

Oct, 2023

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

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

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Transformer网络Restorer，我们设计了一种综合有效的解决方案，能够在去雨、去雪、去雾、去模糊等多种图像修复任务中展现国际领先或可比较的性能，并且在推理时速度更快。

Jun, 2024

通过扩散模型基于预训练的视觉语言模型提取视觉提示，我们提出了Diff-Restorer通用图像修复方法，以去除降级同时生成高感知质量修复结果，并通过全面的定性和定量分析展示了我们的方法的效果和优越性。

Jul, 2024

通过整合大型多模态语言模型（MMLMs）的通用先验知识和预训练扩散模型，提出了大型模型驱动的图像恢复框架（LMDIR），旨在处理各种退化类型并支持自动和用户引导的恢复，从而在多个评估基准上优于现有方法。

Jul, 2024