UGPNet：通用图像修复生成先验
内容提要
该文综述多种图像修复方法：DGUNet通过展开PGD网络提升可解释性；JpgNet融合预测滤波与生成网络；基于GAN的渐进潜空间扩展去噪；GLSGN以全局-局部渐进网络恢复超高分辨率图像；CUGAN可控生成高频纹理；UEGAN实现无监督增强；基于扩散先验的GDP用于盲图像恢复。各方法在相应任务上均优于现有技术。
延伸解读
从可解释性到生成先验：图像修复方法的技术脉络
文章梳理了从2017年到2023年的多种图像修复方法，呈现出两条清晰的技术演进线索：一是对可解释性的追求，如DGUNet将PGD算法展开为网络，使修复过程更透明；二是生成先验的引入，如GDP利用预训练扩散模型建模后验分布。这两条线索并非孤立，而是共同推动修复方法从特定任务向通用化发展，读者可据此理解不同方法的设计动机。
渐进式策略与多路径设计：应对高分辨率与复杂退化
针对超高分辨率图像和复杂退化，文章中的方法多采用渐进式或多路径策略。GLSGN通过三个局部路径和一个全局路径分别处理细粒度细节和全局语义，并配套构建了首个超高分辨率去反射和去雨纹数据集；基于GAN的方法则引入三阶段渐进式潜空间扩展，以增强对不同程度退化的鲁棒性。这些设计表明，单一尺度或单次生成难以兼顾细节与全局一致性。
可控生成与无监督增强：拓展修复的适用边界
CUGAN通过基网络和条件网络调整不同尺度特征的权重，实现还原级别的交互控制，并在鉴别器中自适应调制中间特征，使GAN与MSE效果之间平滑过渡；UEGAN则利用调制机制和质量损失函数进行无监督增强，以消除专业编辑造成的风格化问题。两者分别从可控性和无监督角度拓展了修复的适用场景，但文章未给出其在不同退化类型下的具体性能对比。
评估基准与任务多样性：方法有效性的支撑与局限
文章提到UG^2基准数据集包含三个困难的实景场景，用于评估图像恢复和增强对深度学习目标分类的影响，这为方法评估提供了更贴近实际应用的视角。然而，各方法多在Dunhuang、Places2、CelebA等特定数据集上验证，且部分方法（如JpgNet）在改善生成模型时时间成本略有增加。读者需注意，不同方法的任务侧重和评估条件存在差异，跨方法比较需谨慎。
Q&A
DGUNet是如何实现图像修复的？它有什么特点？
DGUNet基于PGD算法展开网络，在梯度下降步骤中集成梯度估计策略，并设计跨PGD迭代的Proximal映射中间信息通路，从而修复复杂和现实世界图像，同时保持透明度和可解释性。实验表明其在性能、可解释性和通用性上优于现有方法。
JpgNet混合框架结合了哪些网络？有什么作用？
JpgNet联合预测滤波网络和生成网络，保留局部结构和整体理解，并提出不确定性感知融合网络用于图像修复。在Dunhuang、Places2和CelebA数据集上，它能显著改善三种最先进的生成模型，时间成本略有增加。
GLSGN如何恢复超高分辨率图像？
GLSGN使用全局-局部渐进式生成网络，包含四个恢复路径：三个局部路径聚焦局部高分辨率细粒度恢复，一个全局路径在缩小但完整的图像上进行大范围恢复，提供语义和噪声模式等全局线索。该论文还介绍了首个用于超高分辨率去反射和去雨纹的数据集，并展示了GLSGN在三个背景恢复任务中的卓越性能。
CUGAN是什么？它如何实现可控图像修复？
CUGAN是一种可控Unet生成对抗网络，用于生成高频纹理。它包含基网络和条件网络两个模块，通过调整不同尺度不同特征的权重实现交互控制还原级别，在鉴别器中对中间特征进行自适应调制，并通过简单过渡方法提供GAN和MSE效果之间的平滑转换，适用于图像修复操作。
UEGAN是如何进行无监督图像增强的？
UEGAN是一种基于GAN的无监督图像增强模型，利用调制机制和质量损失函数增强图像视觉质量，消除专业照片编辑造成的风格化问题。质量和定量实验验证了其有效性。
GDP方法如何实现盲图像恢复？
GDP是一种基于无监督学习的生成扩散先验方法，采用预训练的去噪扩散生成模型（DDPM）建模后验分布，通过优化去噪过程中的退化模型参数实现盲图像恢复，并采用分层引导和基于块的方法产生任意分辨率图像。实验表明，GDP在图像重建质量和感知质量基准测试中优于当前领先的无监督方法，适用于各种任务和图像大小。
