摘要
深入挖掘多种图像复原任务之间的内在关联，有助于揭示退化过程背后的本质特征。近年来，各类“一体化”方法蓬勃发展，这些方法能够在单一模型中同时处理多种图像退化问题。然而，在实际应用中，针对任务间关联性的探索仍十分有限，主要原因在于缺乏对各类图像退化背后基础成因的深入理解，导致模型在引入更多任务时表现出较差的可扩展性。为此，本文提出一种全新的视角，通过“成因导向”而非传统的“任务导向”方式，实现可扩展的退化建模与学习。具体而言，我们提出一种名为成因导向退化重构框架（Ingredients-oriented Degradation Reformulation, IDR）的方法，该框架包含两个阶段：任务导向知识收集与成因导向知识融合。在第一阶段，我们依据退化过程背后的物理机制，对不同类型的退化执行针对性操作，并为每类退化建立相应的先验中心（prior hubs）。在第二阶段，通过可学习的主成分分析（learnable PCA）逐步将前述任务导向的中心重构为统一的成因导向中心，并引入动态路由机制，以实现对未知退化的概率性去除。大量在多种图像复原任务上的实验结果表明，所提方法在有效性与可扩展性方面均表现出色。尤为重要的是，IDR展现出对未知下游任务的良好泛化能力，具备较强的实用前景。