OneRestore: A Universal Restoration Framework for Composite Degradation

在现实世界中，图像损伤通常表现为复合退化，呈现出低光、雾霾、雨雪等多种元素的复杂相互作用。尽管如此，现有的修复方法通常针对单个退化类型，因此在存在多种降解因素的环境中效果不佳。为弥补这一差距，我们的研究提出了一种多功能成像模型，将四种物理损坏范例合并，以准确表示复杂的复合退化情况。在这种情况下，我们提出了OneRestore，这是一个新颖的基于转换器的框架，旨在进行自适应、可控的场景修复。所提出的框架利用了独特的交叉注意机制，将退化场景描述符与图像特征合并，从而实现细致的修复。我们的模型允许灵活的输入场景描述符，从手动文本嵌入到基于视觉属性的自动提取。我们的方法还通过复合退化恢复损失进行了增强，使用额外的退化图像作为负样本来加强模型约束。在合成和真实数据集上进行的比较结果表明，OneRestore是一个优越的解决方案，显著推进了解决复杂的复合退化问题的技术水平。

本论文旨在解决复杂、复合型图像退化修复问题，即在一个场景中同时存在多种不同的图像退化类型，现有的修复方法无法处理这种情况。

论文提出了一种基于Transformer的框架，使用交叉注意力机制将退化场景描述符与图像特征进行合并，从而实现自适应、可控的场景修复。同时，该模型可以接受多样化的输入场景描述符，包括手动文本嵌入和基于视觉属性的自动提取。

论文提出了一种新颖的图像修复框架，可以有效地处理复杂、复合型的图像退化问题。同时，该框架使用了复合型退化修复损失，使用额外的退化图像作为负样本，加强了模型的约束。论文在合成和真实数据集上进行了实验，证明了该框架的优越性能。

近期在图像退化修复领域的相关研究包括：1. 'Deep Image Prior'，2. 'Attention-Based Multi-Context Guided Dropout Network for Image Restoration'，3. 'Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections'等。