RealRestorer: Hacia la Restauración Generalizable de Imágenes del Mundo Real con Modelos de Edición de Imágenes a Gran Escala
RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models
March 26, 2026
Autores: Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei Cheng, jinghong lan, Shiyu Liu, Yuqi Peng, Gang YU, Shifeng Chen
cs.AI
Resumen
La restauración de imágenes bajo degradaciones del mundo real es crucial para tareas posteriores como la conducción autónoma y la detección de objetos. Sin embargo, los modelos de restauración existentes suelen verse limitados por la escala y distribución de sus datos de entrenamiento, lo que resulta en una pobre generalización a escenarios reales. Recientemente, los modelos de edición de imágenes a gran escala han demostrado una fuerte capacidad de generalización en tareas de restauración, especialmente en modelos de código cerrado como Nano Banana Pro, que pueden restaurar imágenes preservando la consistencia. No obstante, lograr este rendimiento con esos modelos universales de gran escala requiere sustanciales costos de datos y computación. Para abordar este problema, construimos un conjunto de datos a gran escala que cubre nueve tipos comunes de degradación del mundo real y entrenamos un modelo de código abierto de vanguardia para reducir la brecha con las alternativas de código cerrado. Además, presentamos RealIR-Bench, que contiene 464 imágenes degradadas del mundo real y métricas de evaluación personalizadas centradas en la eliminación de degradación y la preservación de la consistencia. Experimentos exhaustivos demuestran que nuestro modelo ocupa el primer lugar entre los métodos de código abierto, logrando un rendimiento de vanguardia.
English
Image restoration under real-world degradations is critical for downstream tasks such as autonomous driving and object detection. However, existing restoration models are often limited by the scale and distribution of their training data, resulting in poor generalization to real-world scenarios. Recently, large-scale image editing models have shown strong generalization ability in restoration tasks, especially for closed-source models like Nano Banana Pro, which can restore images while preserving consistency. Nevertheless, achieving such performance with those large universal models requires substantial data and computational costs. To address this issue, we construct a large-scale dataset covering nine common real-world degradation types and train a state-of-the-art open-source model to narrow the gap with closed-source alternatives. Furthermore, we introduce RealIR-Bench, which contains 464 real-world degraded images and tailored evaluation metrics focusing on degradation removal and consistency preservation. Extensive experiments demonstrate our model ranks first among open-source methods, achieving state-of-the-art performance.