DLC：用于多目标训练的度量引导动态损失控制器

在本文中，我们介绍了一种用于多目标图像恢复的度量引导动态损失控制器（DLC）。传统的图像恢复流程通常使用多种损失的固定加权组合进行训练，而不会改变优化过程中保真度、感知相似性和无参考质量的相对重要性。 DLC 是一种与架构和损失项无关的训练时间控制器：它不会修改恢复架构或引入新的可微损失项，而是动态地重新加权现有的训练损失。在训练期间，DLC 定期评估小型固定反馈子集上的当前模型，并使用生成的质量指标通过基于 LLM 的控制器更新损失权重向量。由于 DLC 根据现有的损失项而不是特定于任务的架构运行，因此可以在不同的图像恢复训练管道中实例化相同的控制器公式。我们在三个恢复领域评估 DLC：低光图像增强、去雨和现实世界超分辨率，同时使用这两个领域 基于参考和无参考的质量指标。在这些设置中，DLC 在优化过程中考虑与指标相关的权衡，并指导训练在保真度和感知质量之间实现平衡的操作点。结果表明，DLC 可以在不同的恢复域中将模型移向更有利的操作点，支持其作为多目标图像恢复的实用插件控制器的作用。