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

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

这个项目是什么

这个GitHub仓库是一篇已发表综述论文（IEEE TPAMI）的配套资源，主题是全能图像恢复——即AI模型接收一张以各种方式损坏的图像（雨、雾、噪声、低光等），并使用单一统一模型将其恢复为干净版本，而不是为每种损坏类型单独建模。

该仓库本身是一个持续更新的目录：包含100多篇相关研究论文，按年份（2020–2026）组织，每篇论文及其代码都有链接。它还包含性能比较表——不同全能恢复模型在标准测试数据集（例如天气相关数据集、真实世界数据集、名为CDD-11的数据集以及FoundIR的真实世界数据集）上的基准结果。

核心价值

如果你是一位研究人员或工程师，试图理解这个快速发展的领域，这个仓库可以让你：

查看过去约6年所有主要论文，每篇一行，显示发表场所（如CVPR、ICLR、NeurIPS）、论文直接链接以及可用的代码链接。
比较模型性能——你可以查找表格，这些表格在相同评估数据集上对不同恢复模型进行排名。
保持最新——仓库明确表示该综述是“积极维护”的，“新闻”部分注明首次发布于2024年10月，最近修订于2025年6月（有重大更新）。论文列表甚至包含2026年的出版物，这表明维护者会持续添加新工作。

谁创建的和为谁创建

作者：哈尔滨工业大学AIIA实验室的五位研究人员（Junjun Jiang, Zengyuan Zuo, Gang Wu, Kui Jiang, Xianming Liu）。
主要受众：从事计算机视觉/图像处理的人员——研究生、研究人员和工程师，他们需要一个有组织的、可引用的最新技术概述，以及用于评估自己模型的基准数据。

具体内容

部分	包含内容
论文列表	出版物表格，每行一篇：论文标题、作者、发表场所（ICLR 2026, AAAI 2026, CVPR 2026等）、论文链接（arXiv、IEEE、Springer等），以及作者发布的代码仓库链接。按年份分组：2020 → 2026。
基准表	全能恢复模型的性能比较，基于：3个挑战性数据集、5个挑战性数据集、全天候数据集、真实世界天气相关数据集、CDD-11数据集和FoundIR数据集。
新闻	综述论文发布及其修订的公告。
导航	快速链接，跳转到每个年份或每个基准部分。

值得注意的细节

仓库徽章显示论文在arXiv（编号2410.15067）上，并发表在IEEE TPAMI（计算机视觉顶级期刊）上——徽章显示“IEEE TPAMI 25”。
论文涵盖的场所包括ICLR、AAAI、NeurIPS、ECCV、CVPR、ICML、ACM MM、TIP、TPAMI、IJCV、TNNLS以及研讨会——因此确实全面覆盖了会议和期刊。
许多条目包含演示代码链接（GitHub URL），但有些没有——README只是将代码列留空，因此没有代码时不会声称有代码。
论文标题本身揭示了明显趋势：较新的工作（2025–2026）越来越多地使用扩散模型、智能体/LLM和流匹配——该仓库实际上是该领域演变的年表。

如何使用

从综述论文开始（通过arXiv徽章链接）获取完整的分类、评估方法和未来趋势讨论。
按年份浏览论文列表以查找相关工作——每行链接到原始出版物和代码。
比较基准表以查看哪些模型在特定数据集上得分最高。
查看新闻部分以获取更新——维护者承诺随着领域发展继续修订。

它不是什么

它不是一个可运行的代码库或框架。
它不是数据集下载页面。
它是一个综述 + 精选参考书目 + 基准比较——其价值在于组织和链接外部资源，而不是提供自己的软件。

以上所有事实均直接来自README内容——论文列表条目、导航结构、作者姓名、所属机构、出版徽章和基准部分标签均逐字取自该文档。我添加的唯一推断是将其标记为“精选参考书目”和“基准比较”——这正是“论文列表”和“性能比较”等部分的字面含义。