摘要
图像修复旨在从退化版本中重建高质量图像，在诸多应用场景中具有重要作用。近年来，由于在建模长距离像素依赖关系方面表现出强大能力，图像修复领域经历了从卷积神经网络（CNN）到基于Transformer模型的范式转变。本文探讨了CNN在图像修复任务中的潜力，提出了一种简洁的卷积网络架构——ConvIR，其性能可与甚至优于现有的Transformer类模型。通过对先进图像修复算法特性的重新审视，我们识别出若干推动修复模型性能提升的关键因素，由此启发我们设计了一种基于高效卷积算子的新型网络结构。大量实验表明，在五个代表性图像修复任务（包括图像去雾、图像运动/散焦去模糊、图像去雨和图像去雪）的20个基准数据集上，ConvIR在保持极低计算复杂度的同时，实现了当前最优的性能表现。