CRNet：用于统一图像修复和增强任务的细节保持网络

在现实场景中，常常捕获的图像会受到模糊、噪声等图像退化，由于传感器限制，人们通常只能获得低动态范围图像。为了获得高质量图像，研究人员尝试对照片进行各种图像修复和增强操作，包括去噪、去模糊和高动态范围成像。然而，仅执行单一类型的图像增强仍无法获得满意的图像。本文提出了复合细节网络 (CRNet) 以应对上述挑战，利用多个曝光图像。通过充分整合信息丰富的多个曝光输入，CRNet 可以进行统一的图像修复和增强。为了提高图像细节质量，CRNet 显式地通过池化层分离并加强高频和低频信息，采用专esigned 的 Multi-Branch 块进行有效的频率融合。为了增加感受野并充分整合输入特征，CRNet 采用高频增强模块，其中包括大卷积核和倒置瓶颈 ConvFFN。我们的模型在首届 Bracketing Image Restoration and Enhancement Challenge 的第一轨道中获得第三名，在测试指标和视觉质量方面均超越了以前的 SOTA 模型。