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。
Diffusion
Acquire and then Adapt：轻量的是适配器，不是 Flux
·860 字·2 分钟
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：把图像修复写成一条残差驱动的扩散桥
·2068 字·5 分钟
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。
GenDeg：先把退化数据造对，再谈统一图像恢复
·1242 字·3 分钟
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。
UniLDiff：把已有模块放到正确的位置
·2664 字·6 分钟
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：统一图像恢复也是一个资源调度问题
·2704 字·6 分钟
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。
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。