（cvpr2025）UniRestore：一种基于扩散模型先验的统一图像恢复新框架，涨点起飞

主要观点总结

本文介绍了一篇名为UniRestore的论文，该论文提出了一种统一的图像复原框架，能够同时兼顾感知和任务的双重目标。文章详细介绍了该模型的关键技术、结构特点、实验验证及可视化结果。

关键观点总结

关键观点1: 创新点

提出一个统一的图像复原框架UniRestore，解决感知和任务的双重目标问题。

关键观点2: 利用扩散模型

基于预训练的扩散模型，适配感知与功能目标，实现图像高质量重建。

关键观点3: 两个关键模块的作用

Complementary Feature Restoration Module（CFRM）用于重建退化特征，Task Feature Adapter（TFA）融合CFRM输出与扩散特征，实现任务特定性自适应调整。

关键观点4: 两阶段训练机制

通过两阶段训练机制，分离视觉恢复与任务适配流程，实现感知-任务双重适配，并可通过添加新任务Prompt扩展至新任务。

关键观点5: 实验验证

在多个图像复原benchmark上取得领先性能，并在图像分类、语义分割等任务中表现出优良性能。可通过prompt插件方式高效迁移至新任务。

免责声明