🔥 今日值得一读
图像复原新突破！连续学习5种退化，PSNR暴涨15.25dB，成本仅几分之一
Restoring Without Forgetting: Continual Learning Across Image Degradations
👨💼 主理人解读 · 为什么值得关注
让模型在部署后逐步适应新退化类型而不遗忘旧知识，适合动态环境下的图像修复系统。
📖 AI 总结
本文提出将多退化图像复原问题重新定义为持续域增量学习任务，以应对实际部署中退化类型顺序出现且历史数据不可用的场景。作者指出，现有全合一架构依赖静态基准和同时访问所有退化类型的封闭世界假设，而传统微调会导致灾难性遗忘。为此，他们提出RwF框架，为每种新退化学习轻量适配器，从结构上消除遗忘，成本远低于专用逐域网络。实验基于共享图像内容的五域基准，RwF在Restormer和NAFNet骨干上分别将最终平均PSNR较朴素顺序微调提升15.25 dB和11.83 dB。此外，框架在11个真实退化基准（3465张图像）上达到89.5%的路由准确率，与理想oracle仅差0.94 dB PSNR，建立了持续多退化图像复原的首个系统性基线。
🔑 关键词速览
| Continual Domain-Incremental Learning | 一种持续学习范式，其中任务（如不同图像退化）按顺序到达，且模型需在不遗忘先前知识的情况下适应新任务。 |
| Catastrophic Forgetting | 神经网络在适应新任务时急剧丢失旧任务知识的现象。 |
| All-in-one Architecture | 一种单一网络架构，能够处理多种图像退化类型，如去噪、去模糊等。 |
| Adapter | 一种轻量级模块，插入预训练网络中，用于适应新任务而无需修改原始权重。 |
| Unsupervised Routing Mechanism | 一种无需标签即可自动选择合适处理路径（如特定适配器）的机制。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅