过去两年，图像复原——把模糊、噪点、欠曝的照片修清楚——几乎都盖在同一块借来的地基上：拿现成的文生图大模型当底座，加一个控制分支或一层微调，让「会画画」的模型顺便学会「会修图」。PixRestore（arXiv:2608.16793，香港理工大学与 OPPO 研究院）换了个问法：能不能干脆不借？不用文生图权重，也不用它配套的压缩器，从零开始、直接在像素上训练一个复原专用的扩散模型。
这条路为什么流行，又卡在哪
借文生图底座的理由很直接：这类模型在海量图片上见过「世界长什么样」，拿它当先验，修出来的细节显得真实。但代价藏在两处。
第一处是隐空间。主流扩散模型并不直接看像素：图像先过一个变分自编码器（VAE，把大图压成面积上小几十倍的「摘要」，生成完再解码回去），所有去噪都发生在这个摘要空间里。压缩是有损的，最先被抹掉的恰恰是复原最在乎的高频纹理——发丝、草叶、布纹。让一个先撕掉细节的邮差去送「细节」，天花板是写死的。学界近年已多次指出这个问题，但主流应对仍是打补丁：想办法把像素证据重新「塞回」隐空间里去。
第二处是重量。这些底座动辄几十亿参数、几十步去噪，一次修复秒级起步，手机相册里的日常任务用不起。
一个不要底座的复原模型
PixRestore 把这两个借来的部件一起扔掉。它从零训练一个直接工作在像素上的扩散 Transformer（DiT：把图像切成小块、用 Transformer 逐块处理，预测从噪声走向清晰图的每一步），训练目标是流匹配——不一步步猜噪声，而是学一条从噪声直通干净图像的速度场。没有 VAE，就没有那个有损的中间层；从零训练，也就不欠文生图先验的债。
真正的转折在第二个问题：条件该信几分。复原以坏图为条件，但坏图的不同区域可靠程度天差地别——结构完好的地方该照抄，烂掉的地方该脑补。传统做法靠全局损失隐式权衡，或者在网络外面挂一个「保真/真实感」旋钮让用户拧。PixRestore 把这件事搬进网络内部：用一个自监督视觉编码器（DINO，一种不看人工标注、自己从图片里学特征的模型）分别提取坏图与干净图的特征，逐层算相似度，得到「每一层特征还剩几成可信」的分数，再据此决定各层条件注入的权重。退化重、可信度低，就少抄多补；语义清晰、可信度高，就严格照抄。「保真还是脑补」从外部旋钮变成了逐层自动分配。
最后是落地：用一个在 DINO 特征上计算的对抗目标，把多步模型蒸馏成单步生成器，参数量约 5000 万——比常见文生图底座小一到两个数量级，一步推理。按论文自建基准，它在保真度、感知质量、退化鲁棒性三头都排在前列，且更大变体继续涨分，说明这条从零起步的路线有扩展空间。
会进哪些真实工作流
最直接的是手机相册：夜景去噪、去模糊、老照片增强、压缩伪影修复，如今往往各挂一个模型，「一个 50M 单步模型全包」正是端侧预算内的形态。第二是作为下游前端：OCR、监控取证、大模型看图之前先过一遍复原，输入质量直接决定识别上限。更远处是成本结构——如果复原不再需要文生图底座，「修复功能必须挂大模型 API」的假设就松动了，端上自托管变得可行。
值得留意的同月信号：另一篇 PixelIR（arXiv:2608.30782）也选择了像素空间加一步推理，用「残差流匹配」把保真与真实感拆成两段生成。两篇独立工作撞向同一个选择，说明「离开隐空间」正在从异端变成选项。
局限与存疑
从零训练省掉了 VAE，也省掉了文生图先验的世界知识：极端退化下（人脸几乎不可辨）它的脑补上限受训练分布约束，而这恰是文生图先验的强项。逐层可信度由 DINO 一个编码器裁定，编码器的盲区会变成复原的系统性偏差。此外，「三头领先」出自作者自建基准与自选对手，换一套第三方口径复验之前，宜把它当作路线证明，而非最终排名。