As abordagens atuais para a restauração de imagens degradadas enfrentam uma troca crítica: modelos de alto desempenho são muito lentos para uso prático, enquanto modelos rápidos produzem resultados ruins. A destilação de conhecimento transfere o conhecimento do professor para os alunos, mas os métodos existentes de correspondência de características estáticas não conseguem capturar como as arquiteturas modernas de transformadores geram características dinamicamente. Propomos 'RestoRect', um novo método de Destilação de Recursos via Fluxo Retificado Latente para restaurar imagens degradadas. Aplicamos o fluxo retificado para reformular a destilação de características como um processo gerativo onde os alunos aprendem a sintetizar características de qualidade do professor através de trajetórias aprendíveis no espaço latente. Nosso framework combina a teoria de Retinex para decomposição baseada em física com restrições de difusão anisotrópica aprendíveis e polarização de espaço de cor trigonométrica. Introduzimos uma perda de Extração de Camadas de Recursos para transferência robusta de conhecimento entre diferentes arquiteturas de rede através da alinhamento de características de transformadores normalizados cruzados com detecção de outliers baseada em percentis. O RestoRect alcança melhor estabilidade de treinamento, e uma convergência e inferência mais rápida, preservando a qualidade da restauração. Demonstramos resultados superiores em 15 conjuntos de dados de restauração de imagens, cobrindo 4 tarefas, em 8 métricas.
Verma et al. (Sat,) estudaram esta questão.