江苏大学ACM MM新作：图像恢复"按需使劲"，LPIPS降12.8%
图像修复这事儿，有点像老小区改造：有的地方墙皮脱落要重刷，有的地方只脏了一小块。可现在的扩散修复模型偏爱"一刀切"，全图一样的约束力度、一样的步长节奏，既不省算力还容易把好区域修出问题。江苏大学这篇ACM MM 2026论文，用局部认知不确定性给模型装了一双"会看重点的眼睛"，该补的补、该跳的跳，LPIPS平均降12.78%、采样时间省8.42%，还能即插即
标签：图像恢复
共 99 篇
西北工业大学最新研究：图像超分和文字预测一个模型搞定，速度比DiffTSR快101倍
场景文本超分是OCR落地硬骨头——图要修得漂亮，字还得认得准。西北工业大学等机构提出的DualTSR把图像生成和文字预测塞进同一个Transformer，训练时同步加噪、推理时互相引导，把DifTSR参数量砍掉六倍、速度快一百倍，识别率反而大涨12.78个百分点。一个字：值。
CVPR 2026浙大新作：2万对物理真实模糊数据，局部去模糊SOTA
拍跑步的人、旋转的车轮，结果只有物体糊背景清晰——这就是局部运动模糊。过往数据集要么合成失真、要么采集昂贵且对不齐。浙大这篇CVPR 2026工作用工业相机物理级还原曝光过程，搞出2万+真实配对数据，训练出的模型在ReLoBlur真实场景上照样能打，这活儿干得漂亮。
暗夜卫星图越修越糊？HALO双先验焊死注意力，8大基准SOTA
卫星半夜拍的地球照片，又黑又糊还布满噪点，现有增强方法越修边界越糊、颜色越偏。这篇HALO把DINOv3语义先验和Depth Anything 3几何先验直接焊进注意力矩阵，用“正同质偏置+负异质惩罚”把特征聚合钉在物理边界内，8大基准全面领跑，低光遥感增强终于有了靠谱的新思路。
图像去噪｜上海交大新方案：去噪模型砍掉90%参数，画质几乎无损
手机拍完照，噪点糊一脸？上海交大这个LiteKD-Net给出一个相当务实的答案：把重型去噪网络的参数砍掉90%、推理提速近2倍，再用知识蒸馏把画质“回填”回来，最终效果直逼大模型。做移动端部署的团队，这篇值得一读。
中南财大首个SNN全能修图：31.6dB媲美ANN，能耗仅1/5
脉冲神经网络历来以“省电”闻名，可让它直接处理静态RGB图，就像让旱鸭子下水——有点为难它。中南财大等机构这次直接把SNN拉进全能图像修复赛道：性能追平ANN，能耗只有人家的五分之一，16.8mJ就能搞定一整套修复流程。
视频阴影去除新SOTA！杭电等高校新方法，0.82dB领先
夏天在景区拍照，最难缠的不是人潮，而是地上那道怎么躲都躲不开的影子。照片还能靠后期硬修，一到视频里影子跟着物体动起来，简直是在考验修图师的心脏。今天这篇AAAI 2027论文《WildShadowRemover》，把“去除视频阴影”这件事直接交给视频扩散模型来搞定。看完只能说一句：还是让模型去扛吧，人眼真的看不过来。
比单图SR强太多？多视图+序列人脸超分还能顺便提升Re-ID
人脸超分一直有个尴尬：单张低清图怎么补也补不出真实五官。这篇韩国三校合作的工作干脆“摇人”——把同一个人的多张低清监控图凑在一起，用Transformer把身份特征统一起来，再靠级联网络一步步把脸“画”清晰，顺便把行人再识别也推进了一把。思路简单粗暴，效果却很能打。
武大最新CoRE-UIR：一网打尽12种遥感退化，PSNR+1.05dB、提速近12倍！
“单模型修复所有退化”的热潮里，武汉大学这个工作把专家网络玩出了新花样——公共专家打底、低秩残差专家补丁，还能白嫖CLIP语义先验。12种退化一锅端，PSNR涨了1.05dB，速度却快了近12倍，遥感修复玩家值得一读。
南科大BlindPSNR：让低光增强自动选最优，Top-1达89.5%
还在手动挑低光增强参数？这篇论文发现7个主流无参考质量评估指标在候选选择任务上全军覆没（Top-1准确率全部为0%），并推出BlindPSNR——不依赖任何参考图就能预测PSNR，在场景未见数据上Top-1准确率飙到89.5%，后悔值仅0.026dB，代码已开源。对任何要落地低光增强的团队都是一份实用参考。
水下照片秒变清晰！DY-LUT仅3.56M参数，4K推理仅7ms，速度比扩散模型快300倍
水下图像增强一直面临空间不均匀衰减的棘手难题，大多数方法要么效果不错但慢得离谱，要么轻快但恢复质量堪忧。DY-LUT直接把场景深度和YCbCr色彩分离这两个自然线索揉进四维查找表，用极小的参数量（3.56M）实现了质量和效率的双赢。自适应4K推理只需要约7毫秒，比那些笨重的扩散模型快了两个数量级，还能给下游检测和特征匹配带来实打实的提升，很值得关注。
TPAMI 2026最新：一个扩散模型搞定无标定红外超分与融合，下游检测率涨超5%！
红外与可见光双摄设备如今很常见，可两个摄像头总有‘视角差’，导致图像对不齐。以往要么手动校准，要么用复杂的配准网络。而这篇BeyondFusion另辟蹊径——直接在扩散模型的潜空间里让两个模态‘自对齐’，还能同时输出红外超分辨率图和融合图，手机实拍效果惊艳。一篇方法干净、结果扎实的工作，值得细读。
