RealRestorer : Vers une restauration d'images réalistes généralisable avec des modèles d'édition d'images à grande échelle
RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models
March 26, 2026
Auteurs: Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei Cheng, jinghong lan, Shiyu Liu, Yuqi Peng, Gang YU, Shifeng Chen
cs.AI
Résumé
La restauration d'images soumises à des dégradations du monde réel est cruciale pour des tâches en aval telles que la conduite autonome et la détection d'objets. Cependant, les modèles de restauration existants sont souvent limités par l'échelle et la distribution de leurs données d'entraînement, ce qui entraîne une mauvaise généralisation aux scénarios réels. Récemment, les modèles de retouche d'image à grande échelle ont démontré une forte capacité de généralisation dans les tâches de restauration, en particulier pour les modèles privateurs comme le Nano Banana Pro, qui peuvent restaurer les images tout en préservant la cohérence. Néanmoins, atteindre de telles performances avec ces modèles universels de grande taille nécessite des ressources substantielles en données et en calcul. Pour résoudre ce problème, nous avons constitué un jeu de données à grande échelle couvrant neuf types de dégradations courantes du monde réel et entraîné un modèle open-source de pointe pour réduire l'écart avec les alternatives privateures. De plus, nous présentons RealIR-Bench, qui contient 464 images dégradées du monde réel et des métriques d'évaluation sur mesure axées sur l'élimination des dégradations et la préservation de la cohérence. Des expériences approfondies démontrent que notre modèle se classe premier parmi les méthodes open-source, atteignant des performances de pointe.
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.