Causal-AgentIR：自适应图像恢复代理的自我进化因果记忆

图像恢复代理最近已成为处理现实场景中各种和不可预测的退化的灵活范例。现有的代理通常将恢复制定为一个工具使用过程，其中代理感知降级，搜索候选工具，执行恢复操作，并通过反射或回滚修改计划。然而，他们的知识通常存储为静态工具描述、手动定义的退化先验或非结构化文本摘要，这限制了长期经验中恢复知识的积累、验证、修订和遗忘。在本文中，我们提出了 Causal-AgentIR，一种具有自我进化因果记忆的分层多智能体框架，用于集体图像恢复智能。 Causal-AgentIR 不是将恢复体验表示为孤立的文本记录，而是将退化模式、图像区域、恢复工具、操作、质量变化和用户偏好组织成结构化因果记忆图。该图支持基于图的检索和多跳因果推理，使代理能够推断特定的恢复操作或工具序列如何在不同的退化条件下影响恢复质量。该框架进一步将多个代理组织成一个协作系统，包括规划、退化分析、工具专业知识、因果记忆推理、结果批判和记忆管理。通过这种设计，可以根据观察到的质量变化和反馈来添加、更新、合并、强化、忽略或丢弃恢复经验，从而使代理能够保持可靠且可转移的恢复知识。大量的实验证明了所提出的框架的有效性。