<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>All-in-One Restoration on BOLIN的个人博客</title>
    <link>https://example.org/tags/all-in-one-restoration/</link>
    <description>Recent content in All-in-One Restoration on BOLIN的个人博客</description>
    <generator>Hugo -- gohugo.io</generator>
    <language>zh-cn</language>
    <copyright>© 2026 BOLIN</copyright>
    <lastBuildDate>Tue, 11 Aug 2026 00:00:00 +0800</lastBuildDate><atom:link href="https://example.org/tags/all-in-one-restoration/index.xml" rel="self" type="application/rss+xml" />
    
    <item>
      <title>HybridAgent：图像修复里的智能体，究竟改变了什么</title>
      <link>https://example.org/papers/hybridagent/</link>
      <pubDate>Tue, 11 Aug 2026 00:00:00 +0800</pubDate>
      
      <guid>https://example.org/papers/hybridagent/</guid>
      <description>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。</description>
      
    </item>
    
    <item>
      <title>AnyIR：不靠 Diffusion 的轻量级 All-in-One 图像恢复</title>
      <link>https://example.org/papers/anyir/</link>
      <pubDate>Fri, 31 Jul 2026 00:00:00 +0800</pubDate>
      
      <guid>https://example.org/papers/anyir/</guid>
      <description>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。</description>
      
    </item>
    
    <item>
      <title>PromptIR：把提示学习引入一体化图像修复</title>
      <link>https://example.org/papers/promptir/</link>
      <pubDate>Fri, 31 Jul 2026 00:00:00 +0800</pubDate>
      
      <guid>https://example.org/papers/promptir/</guid>
      <description>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。</description>
      
    </item>
    
    <item>
      <title>GenDeg：先把退化数据造对，再谈统一图像恢复</title>
      <link>https://example.org/papers/gendeg/</link>
      <pubDate>Thu, 30 Jul 2026 00:00:00 +0800</pubDate>
      
      <guid>https://example.org/papers/gendeg/</guid>
      <description>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。</description>
      
    </item>
    
    <item>
      <title>FoundIR-v2：统一图像恢复也是一个资源调度问题</title>
      <link>https://example.org/papers/foundir-v2/</link>
      <pubDate>Wed, 29 Jul 2026 00:00:00 +0000</pubDate>
      
      <guid>https://example.org/papers/foundir-v2/</guid>
      <description>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。</description>
      
    </item>
    
    <item>
      <title>UniLDiff：把已有模块放到正确的位置</title>
      <link>https://example.org/papers/unildiff/</link>
      <pubDate>Wed, 29 Jul 2026 00:00:00 +0000</pubDate>
      
      <guid>https://example.org/papers/unildiff/</guid>
      <description>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。</description>
      
    </item>
    
  </channel>
</rss>
