All-in-One Bildwiederherstellung für unbekannte Korruption

In diesem Paper untersuchen wir ein herausforderndes Problem der Bildwiederherstellung, nämlich, wie man eine All-in-One-Methode entwickeln kann, die Bilder aus einer Vielzahl von unbekannten Korruptionstypen und -stufen wiederherstellen kann. Dazu schlagen wir ein All-in-One-Bildwiederherstellungsnetzwerk (AirNet) vor, das aus zwei neuronalen Modulen besteht, dem kontrastbasierten degradierten Encoder (CBDE) und dem degradationsgesteuerten Wiederherstellungsnetzwerk (DGRN). Die Hauptvorteile von AirNet sind zweifach. Erstens ist es eine All-in-One-Lösung, die verschiedene degradierte Bilder in einem Netzwerk wiederherstellen kann. Zweitens ist AirNet frei von den Prämissen der Korruptionstypen und -stufen, da es nur das beobachtete korrupte Bild zur Durchführung von Inferenz verwendet. Diese beiden Vorteile ermöglichen es AirNet, in realen Szenarien, in denen die Prämissen über die Korruption schwer zu kennen sind und die Degradation sich mit Raum und Zeit ändert, eine bessere Flexibilität und höhere Wirtschaftlichkeit zu genießen. Umfangreiche experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode 17 Baseline-Methoden zur Bildwiederherstellung auf vier herausfordernden Datensätzen übertrifft. Der Code ist verfügbar unter https://github.com/XLearning-SCU/2022-CVPR-AirNet.