TPAMI 2026 | 雨雾噪模糊全搞定！CPL 框架让图像复原告别单一任务限制

来源：市场资讯

（来源：小白学视觉）

在日常拍摄中，一张照片可能同时遭遇噪声、雾霾、雨滴等多种退化问题，而传统图像复原方法要么只能处理单一退化类型，要么在多任务场景下出现提示冗余、功能错位的问题。近期，Gang Wu等学者提出的对比提示学习（CPL）框架，为一体化图像复原带来了全新解决方案，不仅能精准区分不同退化类型，还能在复杂复合退化场景下保持高性能，相关研究成果已发表于TPAMI 2026。

论文信息

题目： Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration

超越退化冗余：面向一体化图像复原的对比提示学习

作者：Gang Wu, Junjun Jiang, Kui Jiang, Xianming Liu, Liqiang Nie

一、一体化图像复原的核心痛点

图像复原是计算机视觉的经典研究方向，去噪、去雾、去雨、低光照增强等单任务复原方法已趋于成熟，但真实场景中图像往往受多种退化叠加影响，这推动了一体化图像复原的发展——用一个统一模型处理多类退化问题。

实现一体化复原的关键是“任务感知提示”，但现有方法存在两大核心问题：

表示冗余：自适应提示学习虽能端到端优化，但不同任务的提示表示高度重叠，比如去雨和去噪的提示特征纠缠，模型难以精准区分任务；

功能错位：显式提示学习依赖预训练分类器生成高区分度特征，却因过度追求分类性能，丢失了图像重建所需的精细视觉信息，导致提示与复原任务需求不匹配。

研究者通过香农熵定量验证了这一问题：去雨、去雾、不同噪声水平下的提示熵值均在2.08-2.24比特，说明提示缺乏任务特异性，无法清晰区分不同退化类型。

二、CPL框架：稀疏+对比，双管齐下解决痛点

针对上述问题，CPL框架提出两大核心模块——稀疏提示模块（SPM）和对比提示正则化（CPR），从根本上增强提示与任务的对齐性。先来看CPL框架的整体逻辑（对应图1）：

图1

CPL框架的核心思路是：先用SPM解决提示表示冗余问题，让每个提示具备强任务特异性；再通过CPR解决功能错位问题，确保提示能精准引导复原模型完成任务，最终实现“区分度”与“重建质量”的平衡。

1. 稀疏提示模块（SPM）：让提示“专才化”

传统方法为每个任务学习单一密集提示，容易导致特征重叠，而SPM的核心是“稀疏选择”——从一组提示专家中，只为当前退化类型挑选最相关的少数专家生成提示，迫使每个提示专家专注于特定退化模式。

SPM的结构（对应图3）主要包含两部分：

• 提示专家库：包含多个可学习的提示专家，每个专家负责捕捉退化特征的不同维度；

• 稀疏门控路由器：根据输入图像特征，通过top-k机制筛选出最相关的k个专家（k远小于专家总数），仅让这些专家参与提示生成，其余专家权重置零。

图3

这种稀疏机制带来两大优势：一是每个专家高度专门化，有效减少不同任务提示的重叠；二是仅激活少量专家，提升了模型的计算效率，训练和推理时都无需加载全部提示参数。

实验数据验证了SPM的效果（对应图4）：CPL框架下，去雨、去雾、不同噪声水平的提示概率分布高度集中，比如去雾提示的激活概率达0.97，说明提示的任务特异性显著提升，熵值大幅降低。

图4

2. 对比提示正则化（CPR）：让提示“功能对齐”

SPM解决了提示“能不能区分”的问题，而CPR则解决“能不能用对”的问题——确保提示能引导模型生成高质量复原图像，而非仅在特征层面有区分度。

CPR的创新在于“模型-提示解耦”：不直接正则化提示特征，而是从复原结果的角度优化提示功能，核心逻辑是构建“正负样本对”：

• 正样本：用正确的任务提示匹配退化图像，生成高质量复原结果；

• 负样本：用错误的任务提示匹配同一退化图像，生成低质量复原结果。

通过对比损失，模型会被鼓励在使用正确提示时生成接近真实值的图像，使用错误提示时生成偏差较大的图像。这种机制直接惩罚“提示-退化”错配的情况，让提示与复原任务的功能需求精准对齐。

残差分析（对应图5）直观验证了CPR的效果：错误提示生成的复原图像，在对应退化区域（如雨纹、雾的光照区域）会出现明显误差，说明模型已学会根据正确提示完成特定复原任务。

图5

三、实验验证：全场景碾压现有方法

研究者在6类基准测试中验证了CPL框架的有效性，涵盖三任务、五任务、七任务、去天气、复合退化、真实世界去天气场景，核心结论是：CPL能持续提升现有先进复原模型的性能，尤其在复杂复合退化场景下优势显著。

1. 多任务场景性能领先

在三任务（去噪+去雨+去雾）设置中，CPL加持的模型平均PSNR达32.78 dB，超过此前最优的AdaIR方法0.09 dB；去雨任务PSNR达38.77 dB，较原始PromptIR提升2.40 dB（对应表1）。

在五任务（新增去模糊、低光照增强）设置中，CPL模型平均PSNR达30.55 dB，超AdaIR 0.35 dB，其中去雾任务较原始PromptIR提升4.28 dB，低光照增强超AdaIR 0.65 dB（对应表2）。

视觉效果上（对应图6），CPL在去噪时能恢复更多纹理细节，去雾时色彩保真度更高，去雨时可完全去除雨纹且保留复杂结构。

图6

2. 复杂退化场景表现突出

在复合退化场景（CDD-11数据集，包含单一退化、二阶/三阶复合退化）中，CPL模型平均PSNR达29.07 dB，超此前最优的OneRestore 0.60 dB，较原始PromptIR提升3.17 dB（对应表5）。

即使是最具挑战性的三阶复合退化（低光照+雾+雨/雪），CPL仍能稳定发挥：低光照+雾+雨场景PSNR达25.40 dB，较PromptIR提升1.66 dB（对应图9）。

图9

在真实世界全天候复原场景（WeatherBench数据集）中，CPL模型平均PSNR达30.35 dB，较原始PromptIR提升2.49 dB，同时感知质量（LPIPS分数）也显著优于现有方法（对应表6）。

3. 消融实验验证模块有效性

• 稀疏性影响：三任务场景下k=2（激活2个专家）性能最优，五任务场景下k=1（最大稀疏性）性能最优，说明稀疏机制能适配不同任务复杂度；

• 可扩展性：增加提示数量时，CPL性能提升幅度是PromptIR的3倍，且计算量保持恒定（SPM仅激活少量专家），而PromptIR计算量随提示数量线性增加；

• 泛化性：CPL可集成到CNN、Transformer、状态空间模型等不同架构中，均能带来1 dB左右的PSNR提升，验证了“即插即用”的特性。

四、总结与展望

CPL框架的核心贡献在于：首次清晰诊断并解决了一体化图像复原中提示的“表示冗余”和“功能错位”问题，通过稀疏提示模块增强提示的任务特异性，通过对比提示正则化实现提示与复原任务的功能对齐。

从实验结果来看（对应图2），CPL能在所有评估配置中为现有先进模型带来稳定提升，建立了一体化图像复原的新基准。

图2

未来，该研究可进一步探索更细粒度的提示专家划分，以及在动态退化场景（如实时视频复原）中的应用，为真实世界图像复原提供更通用、高效的解决方案。

这一研究不仅为一体化图像复原提供了新范式，也为提示学习在计算机视觉其他领域的应用提供了参考——平衡特征区分度与任务适配性，才能让提示真正发挥指导作用。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：人工智能0基础学习攻略手册

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~