AdaIR：基于频率挖掘和调制的自适应综合图像恢复
内容提要
本文介绍了全能多退化图像恢复网络（AMIRNet）和频率感知图像恢复（FAIR）等多种图像恢复方法，旨在解决不同的退化问题。研究表明，这些方法通过学习退化表示和优化策略，能够有效恢复高质量图像，并在多个数据集上取得了先进的性能。
延伸解读
技术演进：从特定退化到全能恢复
文章梳理了图像恢复领域从处理特定退化到应对多种未知退化的技术演进。早期方法如AdaFM（2019）通过自适应特征调制处理任意恢复级别，但主要针对已知退化类型。2023年提出的AMIRNet和全能图像恢复网络则通过聚类构建树状结构或学习神经退化表示，实现了对未知退化的自适应恢复，标志着该领域向更通用、更实用的方向发展。
频域方法成为重要技术路线
文章多次提及频域方法在图像恢复中的应用，如DDCNet利用傅里叶变换分离降解去除和内容重建，基于频域的方法将恢复视为分类问题，以及WF-Diff结合小波和扩散模型进行水下增强。频域方法能有效捕捉图像中的频率特征，在处理天气退化、水下增强等任务中展现出优势，成为近年来的研究热点。
轻量化与高效恢复并重
除了追求恢复质量，文章也关注模型的效率。LIR（2024）通过高效的自适应关注模块，在减少参数和计算量的同时实现降噪和去模糊，并产生更接近人眼感知的视觉效果。这反映了图像恢复研究在提升性能的同时，也开始注重实际部署中的资源约束，推动技术向轻量化、实用化发展。
Q&A
全能多退化图像恢复网络（AMIRNet）是如何工作的？
AMIRNet通过聚类构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块弥补领域差异，从而实现高质量图像恢复。
频率感知图像恢复（FAIR）有什么特点？
FAIR是一种自监督图像恢复任务，解决了重建保真度与区分性之间的权衡，在缺陷检测数据集上表现出色。
DDCNet在图像恢复中有什么创新？
DDCNet利用傅里叶变换提高恶劣天气图像恢复质量，通过信道统计分离降解去除和内容重建过程。
轻量级图像恢复网络（LIR）有哪些优势？
LIR通过高效的自适应关注模块实现去除图像降噪和模糊，且在参数和计算量上更高效，视觉效果接近人眼感知。
基于频域的图像恢复方法是如何处理图像的？
该方法将图像恢复问题视为分类问题，通过交叉熵损失学习频域中的分布，确定图像补丁中每个频率带的频率系数。
补偿放射变形的图像复原方法（SPAIR）适用于哪些退化模型？
SPAIR结合损失定位信息和稀疏卷积，适用于多种空间退化模型，并在多项实验中取得良好表现。
