模糊照片救星：9 种退化一口吞，开源第一，直逼闭源天花板

你拍了一张夜景。手抖了。糊了。

你想：算了，修也修不好。去模糊工具只能去模糊，去噪的管不了雨滴，去雨的对低光没辙。九种病找九个科，挂完号照片也凉了。

然后你打开 RealRestorer，敲一句 "Please deblur the image and make it sharper"。28 步推理，3 秒出图。清晰、干净、结构没变。

去模糊、去噪、去雨、去眩光、去雾、去压缩伪影、去摩尔纹、去反光、低光增强——一个模型全吃。不是九个模型拼起来，是一个模型九种退化通吃。

之前的图像修复，像什么

像一个只会治感冒的医生。你发烧了，他开退烧药。你同时咳嗽、流鼻涕、肌肉酸痛？他懵了。

传统图像修复模型就是这种「专科医生」。去模糊训练一个，去噪训练一个，去雨再训练一个。模型之间互不相干，遇到混合退化——比如一张又糊又暗又有噪点的夜景——要么逐个喂，要么直接摆烂。

逐个喂的问题在于：第一个模型处理完的输出，已经偏离了原始分布。第二个模型拿到的不是「真实退化图像」，而是「第一个模型的修复残留」。误差层层累积，修到第三轮，细节早丢了。

RealRestorer 的思路完全不同。它不治「某种退化」，它治「退化」本身。

怎么做到的

基于大规模图像编辑模型构建。不是从零训练一个小网络去学去模糊，而是在一个已经见过海量图像、理解场景语义的大模型基础上做修复。

这意味着什么？意味着它知道「这张照片应该长什么样」。

一个只会去模糊的小模型不知道照片里的树叶该有多少纹理、皮肤该是什么质感——它只知道把边缘锐化。但一个理解场景语义的大模型，在去模糊的同时能补回合理的细节，因为它「见过」清晰的树叶和皮肤长什么样。

训练上用了两阶段方案。第一阶段学退化去除能力，第二阶段用真实退化数据微调稳定性。关键是 Progressively-Mixed 策略——第二阶段不全是真实数据，还保留少量合成退化数据混着训。防过拟合。纯真实数据容易飘，纯合成数据不够真，混着来刚好。

提示词驱动是另一个亮点。不是固定流程，而是用自然语言控制修复行为：

同一张图，不同 prompt，不同修复方向。以前这是九个模型的事，现在一句话搞定。

跑分：开源第一，全球第三

RealIR-Bench 是 RealRestorer 团队一起发布的基准，覆盖 9 类真实退化。在这个基准上：

• 开源方法中排名第一
• 综合排名全球第三，仅次于 Nano Banana Pro 和 GPT-Image-1.5
• 去模糊和低光增强两项——公认最难的——表现最佳

「开源第一」不稀奇。稀奇的是跟闭源顶尖模型的差距，几乎可以忽略。

过去开源模型和闭源模型之间隔着一道鸿沟。你用开源，便宜但效果差一截；你用闭源，效果好但不可控、要付费、数据还得传上去。RealRestorer 第一次把这个差距压到了「你真的在意那 1% 吗」的程度。

实操：能跑就行

GitHub 上代码、模型、基准全套开源。推理很简单：

python3 infer_realrestorer.py \
  --model_path /path/to/realrestorer_bundle \
  --image /path/to/input.png \
  --prompt "Restore the details and keep the original composition." \
  --output /path/to/output.png \
  --device cuda \
  --torch_dtype bfloat16 \
  --num_inference_steps 28 \
  --guidance_scale 3.0

28 步推理，guidance_scale 3.0，bfloat16 精度。速度不慢，显存友好。

已支持 Apple Silicon MPS 推理——Mac 用户也能跑。Diffusers 推理和 ComfyUI 节点都有社区支持。

配套的 degradation_pipeline 和 RealIR-Bench 也开源了。想自己做对比实验、训自己的修复模型，评估路径端到端可见。

阶跃星辰又出招了

作者团队来自南方科技大学、阶跃星辰（StepFun）、中科院深圳先进技术研究院。

阶跃星辰这个名字最近出现频率不低。之前百度 Unlimited OCR 的核心作者魏浩然，也是阶跃星辰出身。这家公司在视觉理解方向上的积累，比外界感知的要深。

RealRestorer 的第一作者 Yufeng Yang，GitHub 仓库 291 Stars、25 Commits、8 个 Open Issues——社区在用，也有反馈在修。不是那种发了论文就跑的项目。

一个模型还是九个模型，这是路线之争

表面上看，RealRestorer 是一个图像修复工具。但往深了想，它代表一种路线选择：通用 vs 专用。

专用模型在单一任务上可以做到极致，但遇到真实世界的混合退化就捉襟见肘。通用模型牺牲一点单任务上限，换来的是对真实场景的覆盖能力。

图像修复的真实需求从来不是「去模糊」或「去噪」这种干净的分类。你手机拍出来的废片，模糊、噪点、低光、压缩伪影往往同时存在。用户要的是一个按钮，不是九个。

RealRestorer 证明了：基于大规模图像编辑模型的通用路线，在开源世界已经能逼近闭源天花板。下一步要看的，是它能不能把那最后 1% 的差距也吃掉——还是闭源模型会继续拉开身位。

你又拍了一张夜景。还是手抖了。

但这次你没那么慌了。

GitHub：https://github.com/yfyang007/RealRestorer

HuggingFace：https://huggingface.co/RealRestorer/RealRestorer

官网：https://realrestorer.com