摘要
对比学习已成为高级视觉任务中的主流范式，通过引入适当的负样本，该方法也被拓展应用于低级视觉任务，以构建紧凑的优化空间，从而应对低级视觉问题固有的病态性。然而，现有方法依赖于人工预定义且任务特定的负样本，往往引入显著的任务偏差。为解决这一挑战，本文提出一种创新性方法——“从历史中学习”（learning from history），该方法能够动态地从目标模型自身生成负样本。我们提出的模型对比学习框架用于图像恢复（Model Contrastive Learning for Image Restoration, MCLIR），通过将延迟模型（latency models）重用为负样本模型，实现了对多种图像恢复任务的兼容性。为此，我们进一步设计了自先验引导的负损失函数（Self-Prior guided Negative loss, SPN）。该方法在重新训练现有模型时显著提升了性能。实验结果表明，无论在何种任务或网络架构下，图像恢复效果均获得显著提升。例如，在RESIDE室内去雾数据集上，采用SPN重新训练的模型相比原始的FFANet和DehazeFormer分别提升了3.41 dB和0.57 dB；在SPA-Data去雨任务中，相较于IDT模型，性能提升达0.47 dB；在Manga109超分辨率任务中（4倍上采样），相比轻量级SwinIR模型，性能提升0.12 dB。相关代码与重新训练的模型已开源，详见：https://github.com/Aitical/MCLIR。