적응형 블라인드 통합 이미지 복원

무작위 복원 모델은 알려지지 않은 왜곡으로 손상된 입력 이미지를 고품질 이미지로 복원하는 것을 목표로 합니다. 그러나 이러한 모델은 훈련 단계에서 모든 가능한 왜곡 유형을 정의해야 하며, 알려지지 않은 왜곡에 대한 일반화 능력이 제한적이어서 복잡한 사례에서의 실용적인 적용이 제약됩니다. 본 논문에서는 여러 가지 왜곡을 처리할 수 있으며, 알려지지 않은 왜곡에 대해 잘 일반화되고, 새로운 왜곡을 적은 양의 매개변수를 훈련시켜 효율적으로 통합할 수 있는 간단하면서도 효과적인 적응형 무작위 복원(Adaptive Blind All-in-One Restoration, ABAIR) 모델을 제안합니다.첫째, 우리는 다중 합성 왜곡과 함께 제공되는 분할 헤드를 통해 픽셀별 왜곡 유형을 추정하도록 설계된 대규모 자연 이미지 데이터셋에서 기준 모델을 훈련시킵니다. 이 과정을 통해 다양한 왜곡에 대해 일반화할 수 있는 강력한 백본 네트워크를 구축합니다. 둘째, 독립적인 저순위 어댑터(low-rank adapters)를 사용하여 기준 모델을 다양한 이미지 복원 작업에 적응시킵니다. 셋째, 유연하고 경량화된 왜곡 추정기(degradation estimator)를 통해 다양한 이미지에 대한 어댑터를 적응적으로 결합하는 방법을 학습합니다.제안된 모델은 특정 왜곡을 처리하는 데 강력하면서도 복잡한 작업에 적응하는 데 유연합니다. 이 모델은 5개와 3개의 작업 IR 설정에서 현존하는 최고 성능보다 크게 우수하며, 알려지지 않은 왜곡뿐만 아니라 복합적 왜곡(composite distortions)에도 개선된 일반화 능력을 보여줍니다.