RealRestorer：开源图像修复新标杆，九合一全能模型直逼闭源顶尖水平

在自动驾驶、安防监控、遥感分析乃至日常摄影中，图像质量往往决定了下游任务的成败。然而，真实世界中的图像退化（如模糊、噪点、雾霾、反光等）复杂多变，传统修复模型往往“水土不服”，而效果卓越的闭源大模型（如 Nano Banana Pro）又让普通开发者望尘莫及。

• 项目主页：https://yfyang007.github.io/RealRestorer
• GitHub：https://github.com/yfyang007/RealRestorer
• 模型：https://huggingface.co/RealRestorer/RealRestorer

由 南方科技大学、StepFun（阶跃星辰） 和 中国科学院深圳先进技术研究院 联合推出的 RealRestorer 是一个面向通用真实世界图像修复的大规模开源模型，它不仅涵盖了九种主流退化类型的修复能力，更在性能上首次实现了开源模型与顶尖闭源模型的“零距离”对标。

核心突破：全能修复，一模型搞定九类难题

RealRestorer 不再是需要针对每种问题切换不同模型的“专科医生”，而是一位全能的“全科专家”。它能精准处理以下 9 种 真实世界常见的图像退化问题：

1. 🌫️ 去模糊：修复运动模糊、失焦模糊，让画面重获锐利。
2. 📺 去除摩尔纹：消除拍摄屏幕或密纹物体时产生的条纹干扰。
3. 🧩 修复压缩失真：还原被过度压缩后出现伪影、马赛克的图片。
4. 🌙 低光增强：将夜晚或昏暗环境下的暗片提亮，同时保留细节，拒绝噪点爆炸。
5. ✨ 去噪：清除各类高斯噪点、彩色噪点，让画面纯净如初。
6. 🪞 去除反光：抹除玻璃、镜面反射，还原被遮挡的主体内容。
7. ☀️ 去炫光：消除镜头光晕、强光干扰，恢复画面通透度。
8. 🌫️ 去雾霾：让雾天、霾天拍摄的朦胧照片恢复清晰可见。
9. 🌧️ 去雨痕：去除雨丝、雨滴遮挡，还原雨天场景的真实面貌。

惊喜彩蛋：得益于强大的泛化能力，RealRestorer 甚至能零样本（Zero-shot）处理未专门训练的任务，如去雪和老照片修复。

主要亮点：开源界的“性能怪兽”

1. 真实场景驱动，告别“实验室效果”

RealRestorer 摒弃了单纯依赖人工合成数据的传统路径，构建了包含 165 万对 “受损 - 清晰”图像的大规模数据集。其中融合了真实的网络退化图像和高保真合成数据，确保模型见过足够多的“世面”，从而在复杂多变的真实环境中依然表现稳定。

2. 两阶段精细化训练策略

为了平衡泛化性与真实性，团队采用了创新的两阶段训练法：

• 阶段一（迁移学习）：利用合成数据，将基础图像编辑模型的能力迁移到修复任务，打牢基础。
• 阶段二（监督微调）：引入真实数据为主、合成数据为辅的混合集，进行精细化微调，并冻结部分结构以防止过拟合和失真。

3. 一致性保持：修图不“换脸”

许多修复模型在去噪或去模糊时，往往会把人脸修歪、把文字修错。RealRestorer 通过特殊的架构设计和损失函数约束，确保了修复后的图像在场景结构、语义内容和细节纹理上与原始图像高度一致，真正做到了“修旧如旧”。

📊 实测表现：开源第一，紧咬闭源

在团队 newly 提出的 RealIR-Bench 基准（含 464 张真实退化图）及传统 FoundIR 基准上的测试结果显示：

• 开源榜一：在去模糊、低光增强等核心任务上斩获 SOTA (State-of-the-Art)，综合得分远超 Qwen-Image-Edit、LongCat-Image-Edit 等其他开源模型。
• 比肩闭源：综合性能仅略低于顶尖闭源模型 Nano Banana Pro，差距微乎其微，但在多项指标上已超越其他商业模型。
• 用户认可：在 32 人参与的盲测调研中，RealRestorer 的视觉效果和一致性评分仅次于 Nano Banana Pro，大幅领先其他选手。

配套资源：RealIR-Bench 评测基准

除了模型本身，研究团队还开源了 RealIR-Bench，这是首个专注于真实世界退化去除与一致性保持的评测基准。

• 数据：464 张精心挑选的真实退化图像。
• 指标：引入了基于视觉语言模型（VLM）的自动化评分系统，结合传统像素级指标，全方位评估修复质量。
• 意义：填补了行业空白，为后续研究提供了统一、可靠的“考卷”。