RealRestorer: К обобщающему восстановлению реальных изображений с помощью моделей масштабного редактирования

RealRestorer: Towards Generalizable Real-World Image Restoration with Large-Scale Image Editing Models

March 26, 2026

Авторы: Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei Cheng, jinghong lan, Shiyu Liu, Yuqi Peng, Gang YU, Shifeng Chen

cs.AI

Аннотация

Восстановление изображений в условиях реальных искажений играет ключевую роль для таких прикладных задач, как автономное вождение и детекция объектов. Однако существующие модели восстановления часто ограничены масштабом и распределением обучающих данных, что приводит к их слабой обобщающей способности в реальных сценариях. В последнее время крупномасштабные модели редактирования изображений продемонстрировали высокую обобщающую способность в задачах реставрации, особенно проприетарные модели, подобные Nano Banana Pro, которые способны восстанавливать изображения с сохранением целостности. Тем не менее, достижение сопоставимой производительности с такими универсальными моделями требует значительных затрат данных и вычислительных ресурсов. Для решения этой проблемы мы создали масштабный набор данных, охватывающий девять распространенных типов реальных искажений, и обучили передовую открытую модель, чтобы сократить разрыв с проприетарными аналогами. Кроме того, мы представляем RealIR-Bench, содержащий 464 реальных искаженных изображения и специализированные метрики оценки, сфокусированные на устранении искажений и сохранении целостности. Многочисленные эксперименты демонстрируют, что наша модель занимает первое место среди открытых методов, достигая наилучшей производительности.

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.