不改模型结构，图像去噪性能暴涨3分贝

你有没有过这种经历：深夜拍的照片糊得像蒙了层砂，用AI去噪后，脸是清楚了，可发丝的纹理、远处路牌的字还是一团模糊？过去我们总以为，要解决这种问题，得靠更复杂的模型、更多的参数——就像给电脑换个更高级的CPU。但合肥工业大学等团队在2026年NTIRE图像去噪挑战赛上的成果，彻底推翻了这个常识：他们没改动成熟Restormer模型的任何结构，只靠喂数据、调训练、改推理，就让去噪性能暴涨了3.366分贝。这相当于把一张模糊到只能看个轮廓的照片，修成了能数清睫毛的高清图。这到底是怎么做到的？

给模型喂出一个“超级素材库”

你可以把AI模型想象成一个学画画的学生：如果只让他临摹100张静物画，他画风景肯定不行；但要是给他看14万张从2K到8K的高清图，涵盖城市街景、山川湖海、微观纹理，他对光影和细节的理解会完全不一样。

这支团队就是这么干的。他们放弃了过去常用的三四套标准数据集，一口气整合了7大来源的图像：既有DIV2K、Flickr2K这类老牌高清图库，也有专门的户外场景集OST、8K分辨率的LIU4K-v2和NKUSR8K，甚至还有包含8.7万张图的大规模修复专用集LSDIR，总规模超过14.3万张。为了不让8K大图“噎着”模型，他们还聪明地把8K图裁剪成2K子图，既保留了发丝、毛孔这类精细纹理，又保证了训练的稳定性。

这不是简单的“堆数据”——他们还给数据做了“精细化筛选”：只留分辨率超过900×900的图，用算法评估图像清晰度，甚至用CLIP模型平衡语义多样性，确保模型学的不是重复的“模板”，而是真实世界的万千细节。

两阶段训练：先打基础再练绝招

数据准备好了，怎么喂也是学问。直接把14万张图一股脑塞给模型，就像让小学生直接读大学教材，肯定消化不了。团队设计了一套“两阶段渐进式训练法”，像练级打怪一样稳扎稳打。

第一阶段：夯实基础。他们从官方预训练的Restormer模型出发，先用DIV2K、Flickr2K、OST和LSDIR这四套“基础教材”训练。训练时，图像块尺寸从256慢慢涨到768——就像先让学生画巴掌大的小画，再练全开的大画幅，让模型逐步学会捕捉更大范围的上下文信息。这一阶段的目标，是让模型建立起扎实的“图像修复直觉”，不会把人脸修成模糊的面团。

第二阶段：开拓视野。等模型在基础数据集上练稳了，再引入LIU4K-v2、NKUSR8K和DIV8K这三套“进阶教材”。这些超高清图里的纹理细节更丰富，比如树皮的裂纹、布料的编织纹路，能逼着模型跳出“舒适区”，学会处理更复杂的场景。为了不让模型卡在局部最优解里，他们还交替用L1、L2和小波变换损失函数训练，就像换不同的老师批改作业，让模型能从更多角度修正错误。

这套训练法的效果是显著的：在验证集上，仅数据扩充和两阶段训练带来的性能提升，就占到了总提升的99%以上。

推理时的“组合技”：用8倍算力换极致精度

模型训练好了，怎么用才能发挥出最大实力？团队最后加了个“小绝招”——几何自集成。

你可以把这个方法想象成：让同一个学生从正面、侧面、倒着、翻过来等8个角度看同一张模糊的画，然后把8个角度画出的清晰图拼在一起，取平均值。具体来说，就是把带噪图像做8种几何变换：水平翻转、垂直翻转、旋转90°/180°/270°，还有这些变换的组合，然后分别输入模型得到8个去噪结果，再把结果转回到原来的方向，最后取平均值。

这个方法的原理很简单：神经网络对图像的方向有点“脸盲”，同一个物体，正着看和倒着看，模型给出的结果可能会有细微差别。把8个结果平均，就能抵消这些随机波动，得到更稳定、更准确的输出。当然，天下没有免费的午餐：这个方法会让推理时间变成原来的8倍，从1秒左右涨到8秒，适合对精度要求极高但不着急出结果的场景，比如专业摄影修图、医学影像处理。

实验显示，这个“组合技”虽然只带来了0.027分贝的PSNR提升，但胜在稳定可靠——就像给已经很完美的画，再补了几笔精细的细节。

当我们为AI模型的性能瓶颈发愁时，总习惯性地想“换个更复杂的模型”，就像总觉得成绩不好是因为没买更贵的辅导书。但这次的突破告诉我们：有时候，把现有的“辅导书”读透、读全，比不断买新书有用得多。

这不仅仅是图像去噪领域的突破，更是AI研究范式的一次小小转向：当模型架构趋于成熟时，性能的天花板，往往不在模型本身，而在我们喂给它的数据、训练它的方法，以及使用它的策略。数据决定下限，训练决定上限。未来，或许会有更多研究者从“追新模型”转向“挖深潜力”——毕竟，把一件事做到极致，本身就是一种创新。