面向 LUT 可实现 CNN 图像恢复的各向异性池化
计算机视觉与模式识别
2025-10-27 v1 图像与视频处理
摘要
基于表格查找实现的图像恢复卷积神经网络有望在保持竞争图像质量的同时，显著提升速度并降低资源消耗，相较于直接实现的 CNN 方法更为高效。然而，LUT 基于 CNN 算法的主要技术挑战在于，在不过度限制感受野的前提下管理表述大小。当前主流策略是为不同方向的小像素块重用表格（似乎假设某种各向同性），然后融合查找结果。但现有的融合方式采用平均池化，我们发现其不适用于各向异性信号结构。为缓解此问题，我们研究并探讨了 various anisotropic pooling 方法，以取代简单平均池化，从而提升现有 LUT 可实现 CNN 恢复方法的性能。首先，我们引入广义中位数池化方法，实验表明其优于平均池化。随后，我们进一步通过学习每个方向的数据依赖池化系数，使其能够自适应地加权不同方向像素块的贡献。在 various 恢复基准测试上进行的实验结果表明，我们的各向异性池化策略在已有的 LUT 可实现 CNN 方法之上，实现了在感知和数值指标上的双重优势。
引用
@article{arxiv.2510.21437,
title = {Anisotropic Pooling for LUT-realizable CNN Image Restoration},
author = {Xi Zhang and Xiaolin Wu},
journal= {arXiv preprint arXiv:2510.21437},
year = {2025}
}