무엇을 제거하고, 무엇을 보존할 것인가: 통합 이미지 복원을 위한 이중 모호성 해소

What to Remove, What to Preserve: Dual-Ambiguity Rectification for All-in-One Image Restoration

통합 이미지 복원은 다양한 종류의 왜곡 현상을 하나의 프레임워크 내에서 처리하는 것을 목표로 합니다. 기존 방법들은 주로 다양한 왜곡 조건을 공유된 잠재 공간에 인코딩하는데, 이때 왜곡 관련 정보와 장면 내용이 얽히는 문제가 발생할 수 있습니다. 우리는 이러한 문제를 채널별 조절에서의 의미적 모호성과 복원 결과에서의 공간적 모호성이라는 이중 모호성으로 규정합니다. 이는 내용 손상 및 잔류 아티팩트를 유발할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 통합 이미지 복원을 위한 이중 모호성 해소 네트워크(DAR-Net)를 제안합니다. DAR-Net은 먼저 심플렉스 제약 기반의 대표값 혼합 모델링을 통해 구조화된 왜곡 상태를 구축하는 '왜곡 대표값 표현(Degradation Archetype Representation, DAR)' 모듈을 도입합니다. 이 상태를 기반으로, '의미적 모호성 해소(Semantic Ambiguity Rectification, SeAR)' 모듈은 디코더에서의 채널별 조건을 개선하기 위한 왜곡 인지 프롬프트를 생성합니다. 또한, '공간적 모호성 해소(Spatial Ambiguity Rectification, SpAR)' 모듈은 왜곡 인지 특징과 상호 보완적인 특징을 직교하는 응답 공간으로 정규화하여 제거 및 보존 신호 간의 공간적 간섭을 줄입니다. 표준 통합 복원 벤치마크에서 수행한 광범위한 실험 결과, DAR-Net은 세 가지 왜곡 조건 및 다섯 가지 왜곡 조건 환경 모두에서 가장 뛰어난 전반적인 성능을 달성했으며, 평균 PSNR 값이 가장 강력한 경쟁 모델보다 각각 0.14 dB 및 0.34 dB 향상되었습니다. 또한, CDD-11 및 WeatherBench 데이터셋에서도 우수한 성능을 보였습니다.

All-in-one image restoration aims to handle diverse degradations within a unified framework. Existing methods commonly encode heterogeneous degradation conditions in a shared latent space, where degradation-related cues and scene content can remain entangled. We characterize the resulting challenge as dual ambiguity: semantic ambiguity in channel-wise modulation and spatial ambiguity in restoration responses, which can lead to content corruption and residual artifacts. To mitigate this issue, we propose DAR-Net, a Dual-Ambiguity Rectification Network for all-in-one image restoration. DAR-Net first introduces a Degradation Archetype Representation (DAR) module to construct a structured degradation state through simplex-constrained archetype mixture modeling. Based on this state, a Semantic Ambiguity Rectification (SeAR) module generates degradation-aware prompts to improve channel-wise conditioning in the decoder. A Spatial Ambiguity Rectification (SpAR) module further regularizes degradation-aware and complementary features toward orthogonal response subspaces, reducing spatial interference between removal and preservation cues. Extensive experiments on standard all-in-one restoration benchmarks show that DAR-Net achieves the best overall performance under both three-degradation and five-degradation settings, improving the average PSNR over the strongest competitor by 0.14 dB and 0.34 dB, respectively; it additionally shows superior performance on CDD-11 and WeatherBench.