图像复原的天花板在哪里？SUPIR：开创性结合文本引导先验和模型规模扩大

SUPIR（Scaling-UP Image Restoration），这是一种开创性的图像复原方法，利用生成先验和模型扩大规模的力量。通过利用多模态技术和先进的生成先验，SUPIR在智能和逼真的图像复原方面取得了重大进展。作为SUPIR中的关键催化剂，模型的扩大规模显著增强了其能力，并展示了图像复原的新潜力。我们收集了包含2000万高分辨率、高质量图像的数据集用于模型训练，每个图像都附带有描述性文本注释。SUPIR具有通过文本提示引导图像复原的能力，扩展了其应用范围和潜力。此外，本文引入了负质量提示来进一步提高感知质量。此外还开发了一种基于恢复的采样方法，以抑制生成式恢复中遇到的保真度问题。实验证明了SUPIR在恢复效果上的卓越表现，以及通过文本提示操控恢复的新颖能力。

介绍

随着图像复原（IR）的发展，人们对IR结果的感知效果和智能性有了显著提升的期望。基于生成先验的IR方法利用强大的预训练生成模型引入高质量的生成和先验知识到IR中，在这些方面取得了显著的进展。持续增强生成先验的能力是实现更智能IR结果的关键，而模型扩大规模是一个重要且有效的方法。许多任务通过扩大规模已经取得了惊人的改进，例如SAM和大语言模型。这进一步激发了构建大规模、智能的IR模型的努力，该模型能够生成超高质量的图像。然而，由于工程约束，如计算资源、模型架构、训练数据以及生成模型和IR的协同作用，扩大IR模型的规模具有挑战性。

本文引入了SUPIR（Scaling-UP IR），这是有史以来最大的IR方法，旨在探索在视觉效果和智能方面的更大潜力。具体而言，SUPIR采用了StableDiffusion-XL（SDXL）作为强大的生成先验，其包含26亿参数。为了有效应用这个模型，本文设计并训练了一个包含超过6亿参数的适配器。此外，作者收集了超过2000万高质量、高分辨率的图像，充分发挥了模型扩大规模所带来的潜力。每个图像都附有详细的描述性文本，使得可以通过文本提示来控制恢复过程。还利用一个包含130亿参数的多模态语言模型，提供图像内容提示，极大地提高了方法的准确性和智能性。所提出的SUPIR模型在各种IR任务中表现出色，实现了最佳的视觉质量，特别是在复杂和具有挑战性的现实场景中。此外，该模型通过文本提示提供了对恢复过程的灵活控制，极大地拓宽了IR的可能性。下图1展示了模型的效果，展示了其卓越的性能。

本文的工作远不仅仅是简单的扩大规模。在追求模型规模增加的同时，面临着一系列复杂的挑战。首先，在应用SDXL进行IR时，现有的适配器设计要么过于简单无法满足IR的复杂需求，要么太大无法与SDXL一起训练。为了解决这个问题，修剪了ControlNet并设计了一个称为ZeroSFT的新连接器，以与预训练的SDXL一起高效实现IR任务，同时降低计算成本。为了增强模型准确解释低质量图像内容的能力，对图像编码器进行微调，提高其对图像降解变化的鲁棒性。这些措施使得模型的扩大规模变得可行和有效，并极大地提高了其稳定性。其次，收集了2000万张高质量、高分辨率的图像，附有详细的文本注释，为模型的训练提供了坚实的基础。采用了一种直观的策略，将质量较差的、负样本纳入训练中。通过这种方式，可以使用负质量提示来进一步提高视觉效果。结果显示，与仅使用高质量正样本相比，这种策略显著提高了图像质量。最后，强大的生成先验是一把双刃剑。不受控制的生成可能降低恢复的保真度，使得IR不再忠实于输入图像。为了缓解这个低保真度问题，提出了一种新颖的恢复引导采样方法。所有这些策略，再加上高效的工程实现，是使SUPIR扩大规模的关键，推动先进IR的边界。这种全面的方法，从模型架构到数据收集，将SUPIR置于图像复原技术的前沿，为未来的进步设定了新的基准。

方法

下图2展示了所提出的SUPIR方法的概览。将从三个方面介绍此方法：介绍本文的网络设计和训练方法；介绍训练数据的收集和文本模态的引入；介绍图像复原的扩散采样方法。

模型扩大规模

生成先验。在大规模生成模型的选择方面并没有太多选择。唯一可考虑的是Imagen、IF和SDXL。为什么选择SDXL？Imagen和IF优先考虑文本到图像的生成，并依赖于分层方法。它们首先生成小分辨率图像，然后分层上采样。SDXL直接生成高分辨率图像，没有分层设计，更符合我们的目标，因为它有效地利用其参数来提高图像质量而不是进行文本解释。此外，SDXL采用了一种基本-精炼策略。在基础模型中，生成多样但质量较低的图像。随后，精炼模型提高这些图像的感知质量。与基础模型相比，精炼模型使用质量更高但多样性较差的训练图像。考虑到我们使用大量高质量图像数据集进行训练的策略，SDXL的两阶段设计对我们的需求来说变得多余。选择基础模型，它有更多的参数，是生成先验的理想骨干。

降级鲁棒编码器。在SDXL中，扩散生成过程是在潜在空间中进行的。图像首先通过预训练的编码器映射到潜在空间。为了有效利用预训练的SDXL，低质量(LQ)图像也应映射到相同的潜在空间。然而，由于原始编码器未在低质量图像上进行训练，使用它进行编码会影响模型对低质量图像内容的判断，然后将伪影误认为图像内容。为此，微调编码器使其对降级具有鲁棒性，通过最小化：，其中是要微调的降级鲁棒编码器，D是固定的解码器，是真值。

大规模适配器设计。考虑到SDXL模型是我们选择的先验，需要一个适配器，可以引导它根据提供的低质输入来恢复图像。适配器需要识别LQ图像中的内容，并在像素级别精细控制生成。LoRA、T2I适配器和ControlNet是现有的扩散模型适应方法，但它们都不符合我们的要求：LoRA限制了生成，但在LQ图像控制方面存在问题；T2I缺乏有效的LQ图像内容识别能力；而ControlNet的直接复制对SDXL模型规模来说是具有挑战性的。为解决这个问题，我们设计了一个具有两个关键特性的新适配器，如下图3(a)所示。

首先，保留ControlNet的高级设计，但采用网络裁剪来直接修剪可训练副本内的一些块，实现了一种可行的工程实现。SDXL的编码器模块内的每个块主要由几个Vision Transformer（ViT）块组成。确定了两个关键因素对ControlNet有效性的贡献：大型网络容量和可训练副本的高效初始化。值得注意的是，即使在可训练副本的块部分修剪的情况下，适配器仍保留这些关键特性。因此，简单地从每个编码器块中修剪一半的ViT块，如前面图3(b)所示。其次，重新设计连接器，将适配器连接到SDXL。虽然SDXL的生成能力提供了出色的视觉效果，但也使像素级的精确控制变得困难。ControlNet采用零卷积进行生成引导，但仅依赖残差对IR所需的控制来说是不足够的。为了放大LQ引导的影响，引入了一个ZeroSFT模块，如图3(c)所示。基于零卷积构建的ZeroSFT包括一个额外的空间特征传递（SFT）操作和组归一化。

数据规模的提升

图像收集。模型的扩展需要相应扩展的训练数据。但是目前尚无大规模高质量的图像数据集可用于图像复原。尽管DIV2K和LSDIR提供了高质量的图像，但数量有限。像ImageNet（IN）、LAION-5B和SA-1B这样的更大数据集包含更多图像，但其图像质量不符合我们的高标准。为此，收集了一个新的大规模高分辨率图像数据集，其中包括2000万张1024×1024的高质量、纹理丰富且内容清晰的图像。图3显示了收集的数据集和现有数据集的规模比较。还从FFHQ-raw数据集中包含了额外的7万张不对齐的高分辨率人脸图像，以提高模型的人脸恢复性能。下图5(a)中显示了我们的数据相对于其他知名数据集的规模大小。

多模态语言引导。扩散模型以根据文本提示生成图像而闻名。我们认为文本提示也可以在图像复原中发挥重要作用，原因如下：

理解图像内容对图像复原至关重要。现有框架通常忽视或隐式处理这种理解。通过引入文本提示，明确地传达了对图像内容的理解，从而促进有针对性地恢复丢失的信息。
在严重降级的情况下，即使最好的图像复原模型也可能难以完全恢复丢失的信息。在这种情况下，文本提示可以作为一种控制机制，根据用户的喜好有针对性地完成缺失的信息。
还可以通过文本描述所需的图像质量，从而进一步提高输出的感知质量。有关一些示例，请参见图1(b)。

为此，我们进行了两个主要修改。首先，修改了整体框架，将LLaVA多模态大语言模型纳入pipeline，如图2所示。LLaVA以降级鲁棒处理的低质图像为输入，并明确了图像中的内容，以文本描述的形式输出。然后使用这些描述作为提示来引导恢复。这个过程在测试期间可以自动完成，无需手动干预。其次，遵循PixART 的方法，还为所有训练图像收集了文本注释，以加强文本控制在模型训练期间的作用。这两个变化赋予了SUPIR理解图像内容并根据文本提示恢复图像的能力。

负质量样本和提示。无分类器引导（CFG）通过使用负提示来指定模型的不希望的内容，提供了另一种控制方式。我们可以使用这个功能来指定模型不要生成低质量的图像。具体来说，在扩散的每个步骤中，将使用正提示pos和负提示neg进行两次预测，并将这两个结果的融合作为最终输出：

在这里，H(·)表示带有适配器的扩散模型，是时间步骤t的噪声方差，是一个超参数。在我们的框架中，pos可以是具有图像质量积极词汇的图像描述，而neg是具有负面词汇的图像描述，例如“油画，卡通，模糊，脏，凌乱，低质量，变形，低分辨率，过度平滑”。对于CFG技术，准确预测正和负对于其很关键。然而，在我们的训练数据中缺少负面质量的样本和提示可能导致SUPIR在理解负面提示方面失败。因此，在采样过程中使用负面质量的提示可能会引入伪影，参见下图4的示例。为解决这个问题，使用SDXL生成了与负面质量提示相对应的10万张图像。以反直觉的方式将这些低质量图像添加到训练数据中，以确保SUPIR模型能够学习负面质量的概念。

强大的生成先验是一把双刃剑，因为过多的生成能力反过来会影响恢复图像的保真度。这突显了图像复原任务和生成任务之间的根本区别。需要一种方法来限制生成，以确保图像复原忠实于低质量（LQ）图像。修改了EDM采样方法，提出了一种以恢复为导向的采样方法来解决这个问题。我们希望在每个扩散步骤中有选择地引导预测结果接近LQ图像。具体的算法如Algorithm 1所示，其中T是总步数，是T步的噪声方差，c是附加的文本提示条件。是五个超参数，但只有与恢复引导有关，其他参数与原始的EDM方法相比保持不变。为了更好地理解，图5(b)中显示了一个简单的图表。在预测输出和LQ潜在之间执行加权插值，作为恢复引导输出。由于图像的低频信息主要是在扩散预测的早期阶段生成的（此时t和相对较大，权重也较大），因此预测结果更接近以增强保真度。在扩散预测的后期阶段，主要生成高频细节。此时不应有太多的约束，以确保可以充分生成细节和纹理。此时，t和相对较小，权重k也较小。因此，预测结果不会受到很大的影响。通过这种方法，可以在扩散采样过程中控制生成，以确保保真度。

实验

模型训练和采样设置

在训练过程中，整体训练数据包括2000万张高质量图像，带有文本描述，7万张人脸图像以及10万个负质量样本和相应的负提示。为了使用更大的批量大小，在训练过程中将它们裁剪成512×512的patch。我们使用合成降级模型进行模型训练，遵循Real-ESRGAN的设置，唯一的区别是我们将生成的低质量（LQ）图像调整大小为512×512进行训练。使用AdamW优化器，学习率为0.00001。训练过程历时10天，使用64个Nvidia A6000 GPU，并使用256的批量大小。在测试过程中，超参数设置为T=100，=7.5，=4。方法能够处理尺寸为1024×1024的图像。将输入图像的短边调整为1024，并在测试时裁剪出1024×1024的子图像，然后在恢复后将其调整回原始大小。除非另有说明，否则不会手动提供提示-处理将完全自动进行。

与现有方法的比较

我们的方法能够处理各种降级，并与具有相同能力的最先进方法进行比较，包括BSRGAN、Real-ESRGAN、StableSR、DiffBIR和PASD。其中一些受限于生成512×512大小的图像。在比较中，我们裁剪测试图像以满足此要求，并将我们的结果降采样以便进行公平比较。

合成数据。为了为测试合成LQ图像，遵循以前的工作[45, 97]，在几种代表性的降级上展示我们的效果，包括单一降级和复杂混合降级。具体细节可以在表1中找到。选择了以下指标进行量化比较：全参考指标PSNR、SSIM、LPIPS和非参考指标ManIQA、ClipIQA、MUSIQ。可以看到，我们的方法在所有非参考指标上都取得了最佳结果，这反映了我们结果的卓越图像质量。同时，也注意到我们的方法在全参考指标上的劣势。我们进行了一个简单的实验，突显了这些全参考指标的局限性，见图7。可以看到我们的结果在视觉效果上更好，但在这些指标上并没有优势。这种现象在许多研究中也被注意到[6, 26, 28]。我们认为随着IR质量的提高，有必要重新考虑现有指标的参考值，并提出更有效的方法来评估先进的IR方法。我们还在图6中展示了一些定性比较结果。即使在严重降级的情况下，我们的方法始终产生高度合理且高质量的图像，忠实地表现了LQ图像的内容。

真实图像修复。还在真实世界的低质量（LQ）图像上测试了我们的方法。从RealSR、DRealSR、Real47以及在线来源中总共收集了60张真实世界的LQ图像，包含了各种内容，包括动物、植物、人脸、建筑和风景。在下图10中展示了定性结果，定量结果显示在下表2a中。

这些结果表明，我们的方法生成的图像在感知质量上表现最佳。还进行了一个用户研究，比较了我们的方法在真实世界LQ图像上的效果，共有20名参与者。对于每组比较图像，我们要求参与者选择这些测试方法中感知质量最高的修复结果。结果显示在图8中，表明我们的方法在感知质量上明显优于最先进的方法。

通过在大量图像-文本对的数据集上进行训练，并利用扩散模型的特性，我们的方法可以根据人类提示有选择性地进行图像修复。前面图1(b)展示了一些示例。在第一种情况下，没有提示的情况下，自行车的修复是具有挑战性的，但在接收到提示后，模型可以准确地重建它。在第二种情况下，可以通过提示调整帽子的材质纹理。在第三种情况下，即使是高级语义提示也可以操控面部属性。除了提示图像内容，还可以通过负面质量提示来提示模型生成更高质量的图像。下图11(a)展示了两个示例。

可以看出，负面提示在提高输出图像的整体质量方面非常有效。还观察到，在我们的方法中，提示并不总是有效的。当提供的提示与LQ图像不符合时，提示会变得无效，参见上面图11(b)。对于一个IR方法而言，保持对提供的LQ图像的忠实是合理的。这反映了与文本到图像生成模型的显著区别，并强调了我们方法的鲁棒性。

消融研究

连接器。 将提出的ZeroSFT连接器与零卷积进行比较。定量结果显示在表2c中。与ZeroSFT相比，零卷积在非参考度量上表现相当，但在全参考性能上要低得多。在图9中，发现非参考指标的下降是由生成低保真内容引起的。因此，对于IR任务，ZeroSFT确保了保真度而不丧失感知效果。

训练数据扩展。在两个较小的IR数据集DIV2K和LSDIR上训练了我们的大型模型。定性结果显示在下图12中，清楚地展示了在大规模高质量数据上进行训练的重要性和必要性。

负质量样本和提示。前面表2b显示了在不同设置下的一些定量结果。在这里，使用描述图像质量的积极词语作为“正面提示”，并使用负面质量词语以及前面描述的CFG方法作为负面提示。可以看出，单独使用积极提示或负面提示可以提高图像的感知质量。同时使用它们可以产生最佳感知结果。如果在训练中没有包含负样本，这两个提示将无法提高感知质量。前面图4和图11(a)展示了使用负面提示带来的图像质量改善。

修复引导抽样方法。所提出的修复引导抽样方法主要由超参数控制。越大，每个步骤对生成的更正越少。越小，将迫使更多的生成内容更接近LQ图像。请参考下图13进行定性比较。