- MZUAI和IIAI在NIPS2023上的一篇论文，用prompt来编码degradation，然后用来guide restoration network，使得模型能够泛化到不同degradation types and levels，也就是说是一个模型一次训练能够应对多种degradation的unified model。
- 文章分析，对每种degradation都要train一个模型是compute-intensive and tedious process, and oftentimes impractical for resource-constrained platforms. 同时，为了对一张图片进行restore，需要提前知道degradation以选择对应的模型。因此本文提出这样的框架，对输入图片，用一个PGM来生成degradation prompt，然后在现有restoration网络中插入PIM，利用degradation prompt来实现对多种degradation的差异化处理，实现一个unified网络完成多种restoration任务。
- 具体如下图所示，主要就是这个PGM和PIM。首先预定义好一些prompt components，他们是可训练的参数，有固定的size，是CHW的。然后在每个块里面，会对prompt components进行bilinear upsampling到本层特征的size大小，然后用w对不同通道分配权重后再过一层3x3卷积然后和本层特征concatenate到一起去处理。w是从本层特征经过GAP，全连接，softmax后得到的。整个网络的backbone用的是restormer：
- 实验部分，做了两类实验，一类是single task的，就是一个task train一个模型，去测。multi-task的，就是在混合的数据集中train一个模型，去多个task上测。可以看到all-in-one的结果确实是sota，虽然在denoising上优势不高，但在其它两个任务上有很大优势：
- 而在single task也达到了各个任务的sota：
- 评价：我有一点强烈的质疑，就是prompt是CHW这个事情，从数学上看就非常不合理。concatenate进去的prompt，如果代表的是degradation信息，为什么在不同的位置有不同的预设值？难道所有的图片的degradation的空间分布都一样吗？假设其中一个通道代表噪声强度，那这个HxW的map的实际意义是什么呢？噪声强度？那这个map的左上角比中间小，难道代表对所有图片来说，左上角的噪声强度都比中间小吗？这个CHW的prompt总之在可解释性上非常存疑。
