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

我们介绍了SUPIR（Scaling-UP Image Restoration），这是一种开创性的图像修复方法，利用生成先验和模型扩展的能力。借助多模态技术和先进的生成先验，SUPIR标志着智能和逼真图像修复的重大进展。作为SUPIR中的关键催化剂，模型扩展显著增强了其能力，并展示了图像修复的新潜力。我们收集了2000万高分辨率、高质量的图像数据集进行模型训练，每个图像都配有描述性文本注释。SUPIR提供了根据文本提示进行图像修复的能力，扩大了其应用范围和潜力。此外，我们引入了负质量提示以进一步提高感知质量。我们还开发了一种修复引导的采样方法，以抑制生成式修复中遇到的保真度问题。实验表明，SUPIR具有出色的修复效果和通过文本提示操纵修复的新能力。

本论文旨在解决图像恢复中的问题，并验证了使用生成先验和模型扩展的强大能力。这是否是一个新问题？

使用多模态技术和先进的生成先验，结合模型扩展，提出了一种名为SUPIR的图像恢复方法。该方法可以通过文本提示进行图像恢复，并引入了负质量提示来进一步提高视觉质量。同时，提出了一种基于恢复的采样方法来抑制生成式恢复中遇到的保真度问题。

该论文收集了2000万张高分辨率、高质量的图像进行模型训练，并使用文本注释进行图像修复。实验结果表明，SUPIR具有卓越的修复效果，并且具有通过文本提示操纵修复的新能力。此外，该论文还提出了一种基于恢复的采样方法，可以抑制生成式恢复中遇到的保真度问题。

在图像修复领域，最近的相关研究包括：1.《Deep Image Prior》；2.《Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections》；3.《Residual Dense Network for Image Super-Resolution》等。