CascadedGaze：图像复原中全局上下文提取的效率

图像复原任务传统上依赖于卷积神经网络。然而，鉴于卷积算子的局部特性，它们难以捕获全局信息。Transformer 中注意力机制的承诺是规避此问题，但代价是巨大的计算开销。近期许多图像复原研究都集中在通过 Transformer 变体解决平衡性能与计算成本的挑战。在本文中，我们提出了级联凝视网络（CGNet），这是一种编码器-解码器架构，采用全局上下文提取器（GCE），一种新颖且高效的方式来捕获用于图像复原的全局信息。GCE 模块利用跨卷积层的小卷积核来学习全局依赖关系，无需自注意力机制。广泛的实验结果表明，我们计算高效的方法在合成图像去噪和单图像去模糊任务上，与一系列最先进的方法相比具有竞争力，并在真实图像去噪任务上进一步推动了性能边界。