RealRestorer: Op weg naar generaliseerbare real-world beeldrestauratie met grootschalige beeldbewerkingsmodellen

Samenvatting

Beeldrestauratie onder real-world degradaties is cruciaal voor downstreamtaken zoals autonoom rijden en objectdetectie. Bestaande restauratiemodellen worden echter vaak beperkt door de schaal en verdeling van hun trainingsdata, wat resulteert in een slechte generalisatie naar real-world scenario's. Recent hebben grootschalige beeldbewerkingsmodellen sterke generalisatiecapaciteit getoond bij restauratietaken, met name gesloten bronmodellen zoals Nano Banana Pro, die beelden kunnen herstellen met behoud van consistentie. Desalniettemin vereist het bereiken van dergelijke prestaties met die grote universele modellen aanzienlijke data- en rekenkosten. Om dit probleem aan te pakken, construeren we een grootschalige dataset die negen veelvoorkomende real-world degradatietypen omvat en trainen we een state-of-the-art open-source model om de kloof met gesloten bronalternatieven te verkleinen. Verder introduceren we RealIR-Bench, dat 464 gedegradeerde real-world beelden bevat en toegesneden evaluatiemetricen die focussen op degradatieremoving en consistentiebehoud. Uitgebreide experimenten tonen aan dat ons model eerste plaats bekleedt onder open-source methoden en state-of-the-art prestaties bereikt.

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.