GRIDS: Grouped Multiple-Degradation Restoration with Image Degradation Similarity

传统的单任务图像恢复方法擅长处理特定的退化类型，但在处理多种退化时会遇到困难。为了解决这个限制，我们提出了一种名为“基于图像退化相似性的分组恢复”（GRIDS）的新方法，该方法协调了多种退化恢复中固有的竞争目标。我们首先介绍了一种定量方法，用于评估图像退化之间的关系，使用深度退化表示的统计建模。这种分析有助于将相似的任务进行战略性分组，提高了恢复过程的效率和效果。基于退化相似性，GRIDS将恢复任务分为最佳组之一，其中同一组内的任务高度相关。例如，GRIDS将11种退化类型有效地分为4个连贯的组。每个组内的训练模型都显示出显著的改进，平均改进了0.09dB，超过了单任务上限模型和混合训练基线模型的2.24dB。GRIDS还结合了一种自适应模型选择机制进行推断，根据输入的退化自动选择适当的分组训练模型。这种机制在具有未知退化的实际场景中特别有用，因为它不依赖于明确的退化分类模块。此外，我们的方法可以预测模型的泛化能力，无需进行网络推断，为实践者提供有价值的见解。

本文旨在解决传统单任务图像恢复方法在处理多种退化类型时的困难。作者提出了一种新方法GRIDS，旨在协调多种退化恢复中的竞争目标。

GRIDS通过统计建模深度退化表示来评估图像退化之间的关系，从而实现相似任务的策略分组，提高恢复过程的效率和效果。GRIDS将恢复任务分成最佳组之一，其中同一组内的任务高度相关。

本文提出了一种新的方法GRIDS，用于协调多种退化恢复中的竞争目标，并将11种退化类型分为4个连贯组。GRIDS的训练模型在每个组内显示出显着的改进。此外，GRIDS还具有自适应模型选择机制，用于推理，根据输入的退化自动选择适当的组合训练模型。作者还提供了有关模型泛化能力的预测，而无需进行网络推理。

最近的相关研究包括Multi-Task Deep Neural Networks for Natural Language Understanding和Deep Residual Learning for Image Recognition等。