RealRestorer: Verso un Restauro Generalizzabile di Immagini del Mondo Reale con Modelli di Modifica di Immagini su Larga Scala
RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models
March 26, 2026
Autori: Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei Cheng, jinghong lan, Shiyu Liu, Yuqi Peng, Gang YU, Shifeng Chen
cs.AI
Abstract
La ripristino delle immagini soggette a degradazioni del mondo reale è fondamentale per attività downstream come la guida autonoma e il rilevamento di oggetti. Tuttavia, i modelli di ripristino esistenti sono spesso limitati dalla scala e dalla distribuzione dei loro dati di addestramento, con conseguente scarsa generalizzazione agli scenari reali. Recentemente, i modelli di editing di immagini su larga scala hanno dimostrato una forte capacità di generalizzazione nelle attività di ripristino, in particolare per modelli closed-source come Nano Banana Pro, che possono ripristinare le immagini preservandone la coerenza. Tuttavia, il raggiungimento di tali prestazioni con questi modelli universali di grandi dimensioni richiede ingenti costi computazionali e di dati. Per affrontare questo problema, abbiamo costruito un dataset su larga scala che copre nove tipi comuni di degradazione del mondo reale e addestrato un modello open-source all'avanguardia per ridurre il divario con le alternative closed-source. Inoltre, introduciamo RealIR-Bench, che contiene 464 immagini degradate del mondo reale e metriche di valutazione personalizzate incentrate sulla rimozione delle degradazioni e sulla preservazione della coerenza. Esperimenti estensivi dimostrano che il nostro modello si classifica al primo posto tra i metodi open-source, raggiungendo prestazioni all'avanguardia.
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.