All-in-One Image Restoration for Unknown Corruption论文阅读

1. 论文的研究目标与实际意义

1.1 研究目标

论文旨在解决图像恢复领域的一个核心挑战：如何设计一个统一的模型（All-in-One）来处理多种未知退化类型和退化程度。传统方法需针对特定退化（如噪声、雨雾）设计专用模型，但真实场景中退化类型和程度常未知且动态变化（如自动驾驶中连续遭遇雨雾）。AirNet的目标是：

“recover images from a variety of unknown corruption types and levels”
（从多种未知退化类型和程度中恢复图像）

1.2 实际意义

• 产业价值：
  • 自动化系统（如自动驾驶、无人机）：实时处理动态环境中的混合退化（如雨天+雾天）。
  • 低功耗设备：避免部署多个专用模型，节省存储与计算资源。
  • 医学影像/卫星遥感：处理不可预知的成像噪声或环境干扰。
• 技术突破：
  推动图像恢复从“任务特定”转向“通用智能”，符合AI模型泛化与自适应性趋势。

---

2. 创新方法：AirNet模型详解

2.1 整体架构

AirNet由两个核心模块组成：

1. 对比退化编码器（CBDE, Contrastive-Based Degraded Encoder）：从退化图像中提取隐空间退化表征 $z=f_C(x)$。
2. 退化引导恢复网络（DGRN, Degradation-Guided Restoration Network）：基于 $z$ 恢复图像 $y^{\prime }=f_D(x,z)$。
   

图2：AirNet架构。(a) 整体框架；(b) CBDE模块；© DGRN中的退化引导组（DGG）；(d) 退化引导模块（DGM）。
CBDE：通过对比学习生成退化表征 $z$（保留空间结构）。
DGRN：DGM模块接收 $z$ 动态调控DCN偏移（红色箭头）与SFT参数（蓝色箭头），实现退化自适应恢复。

2.2 对比退化编码器（CBDE）

2.2.1 设计目标

学习退化表征 $z$，使其满足：

• 区分性：相同退化类型的图像表征相似，不同退化类型的表征远离。
• 空间结构保留：输出为张量而非向量，保留上下文信息（论文3.2节）。

2.2.2 对比学习机制

正负样本构造（论文3.2节）：

• 对输入图像 $x$ 随机裁剪两个区域 $x_q$ 和 $x_{k+}$ 作为正样本对（同一图像的退化一致）。
• 从其他图像裁剪区域 $x_{k-}$ 作为负样本。

对比损失函数（公式3）：
$${\mathcal{L}}_{cl}=-\log \frac{\exp (q\cdot k^{+}/\tau )}{{\sum }_{i=0}^K\exp (q\cdot k_i^{-}/\tau )}$$

• q q