基于自注意力机制的非对称多尺度U-net：AMSA-UNet用于图像去模糊
计算机视觉与模式识别
2024-06-14 v1
摘要
传统的单尺度U-net常导致在去模糊过程中损失空间信息，从而影响去模糊精度。此外，由于卷积方法在捕获长程依赖方面的局限性，恢复图像的质量会被降低。为解决上述问题，本文提出一种基于自注意力机制的非对称多尺度U-net（AMSA-UNet），以提高精度和计算复杂度。通过引入多尺度U型架构，网络能够在全局层面聚焦于模糊区域，并在局部层面更好地恢复图像细节。为克服传统卷积方法在捕获信息长程依赖方面的限制，本文在主干网络的解码器部分引入了自注意力机制，这显著增加了模型的感受野，使其能够更关注图像的语义信息，从而生成更精确、视觉上更令人满意的去模糊图像。此外，本文引入了基于频域的计算方法以降低计算量。实验结果表明，所提出的方法在准确性和速度上均显著优于八个优秀方法。
引用
@article{arxiv.2406.09015,
title = {AMSA-UNet: An Asymmetric Multiple Scales U-net Based on Self-attention for Deblurring},
author = {Yingying Wang},
journal= {arXiv preprint arXiv:2406.09015},
year = {2024}
}
备注
15pages, 6figures