图像复原天花板！IR开创性新作实现最佳视觉质量，修复更智能、更逼真

图像复原（IR）指在已知图像退化的原因和模型的情况下，通过一系列的逆过程来恢复出原始图像的过程。这是一个长期的低级视觉任务，也是图像处理领域的一个重要课题。

随着深度学习技术的发展，图像复原领域不断出现新的网络架构、损失函数、训练策略等创新点，研究者们受此启发，提出了许多突破性成果。

目前，基于神经网络、transformer、生成先验等的图像复原新方法在处理复杂退化情况时表现出色。比如中国科学院大学、上海人工智能实验室提出的SUPIR、刷新多个low-level任务指标的Restormer。

SUPIR：一种突破性的图像复原方法，开创性结合文本引导先验和模型规模扩大。通过利用多模态技术和先进的生成先验，在智能和逼真的图像复原方面取得了重大进展。
Restormer：MPRNet与MIRNet的作者在图像复原领域的又一力作，极大程度上缓解了计算量与GPU缓存占用问题，刷新了多个图像复原任务的SOTA性能。

为帮助同学们了解这一重要课题的最新研究方向，我整理了12种最新的图像复原创新方案，简单分析了一些可参考的方法和创新点，并附上开源代码方便各位复现。

论文以及开源代码需要的同学看文末

SUPIR

Scaling Up to Excellence:Practicing Model Scaling for Photo-Realistic lmage Restoration In the Wild

方法：SUPIR是一种开创性的图像复原方法，它利用了生成先验和模型扩展的能力。通过使用多模态技术和先进的生成先验，SUPIR在智能和现实的图像复原方面取得了显著的进步。作为SUPIR中的一个关键催化剂，模型扩展极大地增强了其能力，并为图像复原展示了新的潜力。

创新点：

提出了一种基于文本提示的图像修复方法，通过在大规模图像-文本对数据集上进行训练，并利用扩散模型的特征，可以根据人类提示有选择地修复图像。
提出了一种抗降级编码器，可以减少降级对生成模型的影响，进一步防止生成模型将伪影误认为图像内容。
提出的方法在感知质量方面明显优于现有的方法。通过与其他具有相同能力的先进方法进行比较，实验证明了该方法在感知质量上的显著优势。

Restormer

Restormer: Effcient Transformer for High-Resolution Image Restoration

方法：RNAN是一个基于Transformer的模型，用于处理高分辨率图像的恢复任务。它通过引入多头自注意力层和多尺度分层模块来提高计算效率。DeamNet是一个基于CNN的模型，也用于图像恢复任务。这两个模型在多个图像处理任务上进行了实验和分析，包括图像去雨、单图像运动去模糊、焦点去模糊和图像去噪。

创新点：

渐进学习策略：通过在早期时期对小图像块和大批量进行训练，然后在后期时期对逐渐增大的图像块和小批量进行训练，使得Restormer能够从大图像中学习上下文，并在测试时提供质量性能的改进。
高分辨率图像处理的Transformer模型：提出了一种能够处理高分辨率图像的高效Transformer模型，通过对多头自注意力层和多尺度分层模块进行关键设计，减轻了计算瓶颈。该模型能够学习长距离依赖关系，并保持计算效率。
改进的前馈网络：引入了门控机制和局部机制，以及门控深度卷积，增强了前馈网络的性能。这些改进使得Restormer在噪声水平为50时相对于标准前馈网络获得了0.26 dB的PSNR增益。

MiOIR

Towards Effective Multiple-in-One Image Restoration:A Sequential and Prompt Learning Strategy

方法：论文研究了多任务图像恢复（MiO IR）问题，该问题包括了七个常见的图像恢复任务。研究发现MiO IR面临两个关键挑战：多样化目标的优化和适应多个任务。为了解决这些挑战，本文提出了两种简单而有效的策略。第一种策略是顺序学习，通过逐步学习单个IR任务，而不是将它们混合在一起，来优化多样化的目标。第二种策略是提示学习，通过帮助网络理解特定任务并提高泛化能力，来适应不同的IR任务。

创新点：

提出了多任务图像恢复（MiO IR）问题，旨在训练一个单一模型来处理多个IR任务。
引入了顺序学习策略，通过按顺序逐个学习不同的IR任务，而不是将它们混合在一起，以优化多样化的目标。
提出了提示学习策略，通过提供额外的输入或自适应提取动态视觉提示，帮助网络理解特定任务并提高泛化能力，以适应不同的IR任务。

InstructIR

InstructIR: High-Quality Image Restoration Following Human Instructions

方法：作者提出了第一个使用人类编写指令来指导图像恢复模型的方法。给定自然语言提示，该模型可以从它们的退化对应物中恢复高质量的图像，考虑到多种退化类型。该方法在包括图像去噪、去雨、去模糊、去雾和（低光）图像增强等几个恢复任务上取得了最先进的成果。

创新点：

引入了基于人类指令的图像修复模型，该模型可以根据人类指令对图像进行修复，实现了对多种类型和程度的图像退化进行修复的能力。
设计了一个全新的图像模型，该模型具有4级编码器-解码器结构，并在编码器和解码器之间使用了4个中间块来进一步增强特征。此外，解码器使用了加法而不是串联来进行跳跃连接，这是一种新颖的方法。
提出了一种基于文本编码器的训练方法，通过训练一个投影头来适应文本编码器，从而更好地编码图像修复模型所需的信息。