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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
··1045 字·3 分钟
Restormer 不在空间位置之间构建平方复杂度的注意力,而是在通道维度建模全局关系,并用门控前馈网络保留局部结构。