通过生成监督改进复杂的莫尔条纹去除

高质量配对数据的可用性对于训练基于学习的图像去图像模型至关重要。然而，现有数据集要包含在不受控制的现实场景中捕获的复杂莫尔图案仍然具有挑战性。这种退化通常表现为大范围的、彩色的莫尔图案。此外，这些图案经常出现在难以获得干净对应图像的图像中，例如从公共展示或现有在线资源获取的照片。在这项工作中，我们提出了一种新颖的数据引擎，旨在通过生成训练监督来改善复杂莫尔图案的去除。具体来说，我们最初收集包含复杂莫尔图案的真实世界图像并定位相应的屏幕区域。随后部署多个图像条件生成基础模型来生成候选参考。为了建立可靠的监督，这些候选者需要接受补丁级质量控制来过滤和选择最佳结果。基于这个系统范式，我们构建了 WildMoiré 数据集，其中包含 6.8K moiré-GT 训练对。为了进行评估，我们还构建了一个独立的测试集，其中包含 $\sim$250 对，并捕获了干净的 真值。在 ESDNet、SDXL 和 Qwen-Image-Edit 上进行的大量实验表明，所提出的生成监督持续提高了复杂莫尔条纹去除的性能。