用于图像去噪的双残差注意力网络
图像与视频处理
2023-05-09 v1 计算机视觉与模式识别
摘要
在图像去噪中，深度卷积神经网络（CNN）能在去除空间不变噪声方面获得良好性能。然而，这些网络许多无法很好地去除图像采集或传输过程中产生的真实噪声（即空间可变噪声），这严重阻碍了它们在实际图像去噪任务中的应用。许多研究者已揭示，持续增加网络深度并非唯一途径，扩展网络宽度同样可提升模型性能。同时已验证特征过滤能促进模型的学习能力。因此，本文提出一种新颖的双分支残差注意力网络（DRANet）用于图像去噪，其兼具宽模型架构和注意力引导特征学习的优点。所提 DRANet 包括两个不同并行分支，可捕获互补特征以增强模型学习能力。我们分别为上、下分支设计了新的残差注意力块（RAB）和新的混合空洞残差注意力块（HDRAB）。RAB 和 HDRAB 可通过不同卷积层间的多重跳跃连接捕获丰富的局部特征，并由残差注意力模块丢弃不重要特征。同时，各分支中的长跳跃连接及两并行分支间的全局特征融合也能捕获全局特征。此外，所提 DRANet 使用下采样操作和空洞卷积来增大感受野，使 DRANet 能捕获更多图像上下文信息。大量实验表明，与其他最先进去噪方法相比，我们的 DRANet 在合成和真实世界噪声去除上均能产生具竞争力的去噪性能。
引用
@article{arxiv.2305.04269,
title = {Dual Residual Attention Network for Image Denoising},
author = {Wencong Wu and Shijie Liu and Yi Zhou and Yungang Zhang and Yu Xiang},
journal= {arXiv preprint arXiv:2305.04269},
year = {2023}
}