ALL NOTES
归档
按时间浏览全部论文阅读与技术笔记。
Image Restoration
HybridAgent：图像修复里的智能体，究竟改变了什么
HybridAgent 的重点不是提出一个新的 Diffusion 修复器，而是把用户意图解析、退化识别、工具调用和结果反馈组织成一条自动化流水线。Image Restoration
IQPIR：当 Ground Truth 也不再值得完全相信
IQPIR 的核心不是重新设计一个更大的恢复网络，而是承认真实数据集的 GT 质量参差不齐，并把无参考 IQA 变成质量先验、条件信号和训练目标。Image Restoration
Beyond the Ground Truth：把不完美的真值变成更好的监督
这篇 CVPR 2026 工作没有改造恢复主干，而是先修正训练数据里的真值质量：用单步扩散超分生成变体，再通过自适应频域掩码融合原始真值与高频细节。Image Restoration
PromptIR：把提示学习引入一体化图像修复
PromptIR 的核心是让网络从输入图像中生成动态退化提示，再引导 Restormer 完成盲图像修复。今天看来方法已经比较基础，但在 2023 年具有清晰的范式意义。Image Restoration
AnyIR：不靠 Diffusion 的轻量级 All-in-One 图像恢复
AnyIR 的重点不是生成式扩散，而是用一次前向推理完成多退化恢复。它的创新更偏向轻量化结构组合，而不是新的理论体系。Image Restoration
Acquire and then Adapt：轻量的是适配器，不是 Flux
FluxIR 并没有把 Flux 变成小模型：12B 主干仍参与每次前向计算，只是不更新权重。真正节省的是可训练参数、梯度与优化器状态。Image Restoration
RDBM：把图像修复写成一条残差驱动的扩散桥
RDBM 的重点不是再加一个网络模块，而是重新设计图像修复中的随机过程：退化区域多扰动，干净区域少扰动，并用统一框架解释多种扩散桥。Image Restoration
GenDeg：先把退化数据造对，再谈统一图像恢复
这篇工作的重点不是再设计一个更大的恢复模型，而是把数据问题提到前面：退化类型由文本控制，强度和空间分布由统计量控制，再把合成数据真正用到多个恢复网络上。Image Restoration
UniLDiff：把已有模块放到正确的位置
DAFF 负责在扩散轨迹中对齐 LQ 条件，DAEM 负责在 VAE 解码阶段补偿细节。相比 FoundIR-v2，UniLDiff 的研究问题更具体，也更偏网络结构工程。Image Restoration
FoundIR-v2：统一图像恢复也是一个资源调度问题
FoundIR-v2 的两个核心创新并不复杂：在输入端动态调整各任务的数据比例，在模型端利用 MoE 分配任务自适应扩散先验。真正值得关注的是，它把统一图像恢复重新理解成了一个资源调度问题。Diffusion
读懂 DDPM：从加噪过程到噪声预测
DDPM 为什么可以从高斯噪声中生成图像？这篇笔记从前向加噪、反向去噪和噪声预测目标三个部分建立直觉。Image Restoration