把模糊、雨雪、雾、暗光、低分辨率的「废片」救回来，这个方向叫图像复原。这两年它最流行的配方，是拿文生图大模型当底座——这类模型在几十亿张图上见过世界，让它们「脑补」细节天经地义。PixRestore（arXiv 2608.16793，香港理工大学与 OPPO）把这个配方掀了：不用文生图先验，连标配的 VAE 都扔掉，从零训一个五千多万参数的小模型，反而赢了。
为什么要借文生图的底座
因为复原长期是「一种退化一个模型」：去雾的不管雨，去噪的不管暗光。统一复原想让一个模型全包八种坏事，就得先看懂图才知道怎么救——文生图大模型看起来正是那个见多识广的部分。
但这条路线有两个死穴。一是文生图模型的入口是 VAE（变分自编码器）：先把图压成一张小得多的「潜空间缩略图」，生成完再解码放大；可复原要抢救的恰恰是最容易被压掉的细小笔画和锐利边缘——先丢细节再找回，自相矛盾。二是生成先验太「会画」：它会往模糊的人脸上补一根不存在的睫毛、把糊掉的字「读」成另一个词。看起来更清楚，内容却不忠于原图——对修图是功能，对复原是事故。
三个转折
第一步，扔掉 VAE：图像直接切成小方块，一块当一个「词」喂进扩散 transformer（用 transformer 当骨架的生成网络），生成用流匹配——不随机一步步去噪，而是学一条从噪声图到干净图之间近似直线的搬运路径；路径够直，才能一步出图。
不借文生图，理解力从哪来？用 DINOv2——一个无需人工标注、自己从海量图里学特征的视觉基础模型。它像一排眼睛：浅层看边缘纹理，深层看物体语义；特征经交叉注意力（让生成网络边生成边「回头看」）喂给复原网络。
全文最巧的机关是自适应层路由：同一层特征在不同退化下可信度不同——雾保留结构但毁色彩，运动模糊先毁高频细节。训练时把坏图、好图分别过 DINOv2，逐层比对相似度，就知道「这次退化下哪几只眼睛还睁着」，再训一个轻量预测器只看坏图就能估出权重。可信的层拿来做条件；不可信的层不当条件，反而加重监督，逼模型把里面的坏东西洗掉。最后用 DINO 特征上的对抗训练（再养一个判别器专挑「像编出来」的破绽）把多步模型压成一步，单次推理约 44 毫秒。
成了吗
最硬的证据是一组对照：同一个 transformer 骨架，像素路线拿到 26.62 dB（保真指标 PSNR，越高越好），几种 VAE 潜空间路线最好的也只有 22.80 dB——近 4 个 dB，把「VAE 是瓶颈」钉死了。在去模糊、去雾、去噪、去雨、去雪、低光、4 倍超分八个任务上，保真与观感指标大多第一或第二；五千多万参数对比百亿级文生图底座方案，快 7–23 倍。
会进哪些工作流
对影像产品，相册的「一键增强」不必每种退化养一个模型，轻量统一模型有资格进实时预览管线。更值得记下的是选型信号：复原是保真优先的任务，细节通道比生成想象力值钱——新闻存档、证件翻拍这类怕「编细节」的场景，反而该用不会画画的模型；各家「AI 增强」在好看与忠实之间怎么站队，也该对用户说清楚。
边界与存疑
固定切块意味着换分辨率要重训，高分辨率得拆图处理；近乎全黑的极端暗光下，小底座的「脑补」可能仍不敌十亿级生成模型；真实场景打分用的是作者自家的视觉大模型裁判，跨论文可比性要打折。PixRestore 赢的是保真与观感的综合平衡，没有宣判生成先验死刑——但「复原需不需要想象力」，值得在视频与高分辨率上接着验证。