Restauração de Imagem Eficiente Ciente da Degradação

Reconstruir detalhes ausentes a partir de entradas degradadas de baixa qualidade representa um desafio significativo. Os avanços recentes na restauração de imagens demonstraram a eficácia do aprendizado de grandes modelos capazes de abordar várias degradações simultaneamente. No entanto, essas abordagens introduzem uma sobrecarga computacional considerável e paradigmas de aprendizado complexos, limitando sua utilidade prática. Em resposta, propomos o DaAIR, um restaurador de imagem eficiente All-in-One que emprega um Aprendiz Ciente da Degradação (DaLe) no regime de baixa classificação para minerar colaborativamente aspectos compartilhados e nuances sutis em diversas degradações, gerando uma representação ciente da degradação. Ao alocar dinamicamente a capacidade do modelo para as degradações de entrada, realizamos um restaurador eficiente integrando aprendizado holístico e específico dentro de um modelo unificado. Além disso, o DaAIR introduz um mecanismo de atualização de parâmetros custo-efetivo que aprimora a conscientização sobre degradações enquanto mantém a eficiência computacional. Comparações extensivas entre cinco degradações de imagem demonstram que nosso DaAIR supera tanto os modelos All-in-One de última geração quanto os semelhantes específicos de degradação, afirmando nossa eficácia e praticidade. A fonte será disponibilizada publicamente em https: //eduardzamfir. github. io/daair/