用于图像去噪的自适应动态滤波网络

在图像去噪网络中，特征缩放被广泛用于扩大感受野尺寸并降低计算成本。然而，该做法亦导致高频信息丢失且未考虑尺度内特征。近来，动态卷积在处理高频信息（如边缘、角点、纹理）方面展现出强大能力，但以往工作在滤波器生成中缺乏充足的空间上下文信息。为缓解这些问题，我们提出采用动态卷积以改进高频与多尺度特征的学习。具体而言，我们设计空间增强核生成（SEKG）模块来改进动态卷积，以极低计算复杂度实现空间上下文信息的学习。基于SEKG模块，我们提出动态卷积块（DCB）和多尺度动态卷积块（MDCB）。前者通过动态卷积增强高频信息并通过跳跃连接保留低频信息。后者利用共享自适应动态核与空洞卷积思想实现高效多尺度特征提取。所提多维特征整合（MFI）机制进一步融合多尺度特征，提供精确且上下文丰富的特征表示。最后，我们利用所提DCB和MDCB构建名为ADFNet的高效去噪网络。其在真实世界与合成高斯噪声数据集上以低计算复杂度取得更优性能。源代码见 https://github.com/it-hao/ADFNet。