RealRestorer: Rumo a uma Restauração de Imagens do Mundo Real Generalizável com Modelos de Edição de Imagens em Larga 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
Resumo
A restauração de imagens sob degradações do mundo real é crucial para tarefas subsequentes, como condução autónoma e deteção de objetos. No entanto, os modelos de restauração existentes são frequentemente limitados pela escala e distribuição dos seus dados de treino, resultando numa fraca generalização para cenários do mundo real. Recentemente, modelos de edição de imagem em larga escala demonstraram uma forte capacidade de generalização em tarefas de restauração, especialmente no caso de modelos proprietários como o Nano Banana Pro, que conseguem restaurar imagens preservando a consistência. Contudo, alcançar tal desempenho com esses modelos universais de grande escala exige recursos computacionais e de dados substanciais. Para resolver este problema, construímos um conjunto de dados em larga escala que abrange nove tipos comuns de degradação do mundo real e treinámos um modelo de código aberto de última geração para reduzir a diferença em relação às alternativas proprietárias. Além disso, introduzimos o RealIR-Bench, que contém 464 imagens degradadas do mundo real e métricas de avaliação personalizadas focadas na remoção de degradação e preservação da consistência. Experimentos extensivos demonstram que o nosso modelo ocupa a primeira posição entre os métodos de código aberto, alcançando um desempenho de última geração.
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.