Harbinzzy/All-in-One-Image-Restoration-Survey

[IEEE TPAMI 2025] A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends

이 프로젝트가 무엇인가

이 GitHub 저장소는 올인원 이미지 복원에 관한 게재된 서베이 논문(IEEE TPAMI)의 동반 자료입니다. 이는 다양한 방식으로 손상된 이미지(비, 안개, 노이즈, 저조도 등)를 받아 단일 통합 모델을 사용하여 깨끗한 버전으로 복원하는 AI 모델을 말합니다. 각 손상 유형에 대해 별도의 모델이 필요하지 않습니다.

저장소 자체는 지속적으로 업데이트되는 카탈로그입니다. 이 주제에 대한 100개 이상의 연구 논문을 연도별(2020–2026)로 정리하고, 각 논문과 코드에 대한 링크를 제공합니다. 또한 성능 비교 테이블을 포함합니다. 이는 표준 테스트 데이터셋(예: 날씨 관련 데이터셋, 실제 세계 데이터셋, CDD-11이라는 데이터셋, FoundIR의 실제 세계 데이터셋)에서 다양한 올인원 복원 모델이 얼마나 잘 수행되는지에 대한 벤치마크 결과입니다.

핵심 약속

이 빠르게 움직이는 분야를 이해하려는 연구자나 엔지니어라면, 이 저장소를 통해 다음을 할 수 있습니다:

지난 약 6년간의 모든 주요 논문을 확인할 수 있습니다. 각 논문은 한 줄로 표시되며, 발표 장소(예: CVPR, ICLR, NeurIPS), 논문 직접 링크, 가능한 경우 코드 링크가 포함됩니다.
표준 벤치마크 데이터셋 전반에 걸쳐 모델 성능을 비교할 수 있습니다. 동일한 평가 데이터셋에서 다른 복원 모델을 순위화하는 테이블을 찾아볼 수 있습니다.
최신 상태를 유지할 수 있습니다. 저장소는 서베이가 "적극적으로 유지 관리"된다고 명시하며, "뉴스" 섹션은 2024년 10월에 처음 출시되었고 2025년 6월에 마지막으로 수정(주요 업데이트 포함)되었음을 언급합니다. 논문 목록에는 2026년 출판물도 포함되어 있어, 관리자가 새로운 작업이 나타날 때마다 계속 추가하고 있음을 나타냅니다.

누가 만들었고 누구를 위한 것인가

저자: 하얼빈 공업대학교 AIIA 연구실의 5명의 연구자(Junjun Jiang, Zengyuan Zuo, Gang Wu, Kui Jiang, Xianming Liu).
주요 대상: 컴퓨터 비전/이미지 처리 분야에 종사하는 사람들—대학원생, 연구자, 엔지니어로, 최신 기술의 체계적이고 인용 가능한 개요와 자신의 모델을 평가하기 위한 벤치마크 수치가 필요합니다.

구체적으로 포함된 내용

섹션	포함 내용
논문 목록	출판물 표. 각 행: 논문 제목, 저자, 발표 장소(ICLR 2026, AAAI 2026, CVPR 2026 등), 논문 링크(arXiv, IEEE, Springer 등), 저자가 공개한 경우 코드 저장소 링크. 연도별 그룹화: 2020 → 2026.
벤치마크 테이블	올인원 복원 모델의 성능 비교. 대상: 3개의 도전적 데이터셋, 5개의 도전적 데이터셋, 전천후 데이터셋, 실제 세계 날씨 관련 데이터셋, CDD-11 데이터셋, FoundIR 데이터셋.
뉴스	서베이 논문 출시 및 수정에 대한 공지.
내비게이션	각 연도 또는 각 벤치마크 섹션으로 이동하는 빠른 링크.

주목할 만한 세부 사항

저장소 배지는 논문이 arXiv(ID 2410.15067)에 있고 IEEE TPAMI(컴퓨터 비전 최고 저널)에도 게재되었음을 나타냅니다. 배지에는 "IEEE TPAMI 25"라고 표시됩니다.
논문은 ICLR, AAAI, NeurIPS, ECCV, CVPR, ICML, ACM MM, TIP, TPAMI, IJCV, TNNLS 및 워크숍과 같은 장소를 포괄하므로 컨퍼런스와 저널 모두에서 진정으로 포괄적입니다.
많은 항목에는 데모 코드 링크(GitHub URL)가 포함되지만 일부는 없습니다. README는 코드 열을 비워 두므로 제공되지 않은 경우 코드를 주장하지 않습니다.
논문 제목 자체가 명확한 추세를 보여줍니다. 최신 연구(2025–2026)는 점점 더 확산 모델, 에이전트/LLM, 플로우 매칭을 사용하며, 이 저장소는 분야의 진화를 보여주는 타임라인 역할을 효과적으로 합니다.

사용 방법

서베이 논문부터 시작하십시오(arXiv 배지 링크) — 전체 분류, 평가 방법론, 미래 추세 논의를 얻습니다.
연도별로 논문 목록을 탐색하여 관련 작업을 찾으십시오. 각 행은 원본 출판물과 코드에 연결됩니다.
벤치마크 테이블을 비교하여 특정 데이터셋에서 어떤 모델이 가장 좋은 점수를 얻는지 확인하십시오.
뉴스 섹션을 확인하여 업데이트를 받으십시오. 관리자는 분야가 발전함에 따라 지속적인 수정을 약속합니다.

이것이 아닌 것

실행 가능한 코드 라이브러리나 프레임워크가 아닙니다.
데이터셋 다운로드 페이지가 아닙니다.
서베이 + 선별된 참고 문헌 + 벤치마크 비교입니다. 그 가치는 외부 리소스를 구성하고 연결하는 데 있으며, 자체 소프트웨어를 제공하는 데 있지 않습니다.

위의 모든 사실은 README 내용에서 직접 가져왔습니다. 논문 목록 항목, 내비게이션 구조, 저자 이름, 소속, 출판 배지, 벤치마크 섹션 레이블은 해당 문서에서 그대로 인용되었습니다. 제가 추가한 유일한 추론은 "선별된 참고 문헌" 및 "벤치마크 비교"로 레이블을 지정한 것입니다. 이는 "논문 목록" 및 "성능 비교"와 같은 섹션이 문자 그대로 그런 것이기 때문입니다.