面向图像复原的动态注意力图学习
计算机视觉与模式识别
2021-09-15 v1
摘要
自然图像中的非局部自相似性已被证实是图像复原的有效先验。然而，大多数现有深度非局部方法为每个查询项分配固定数量的邻域，忽视了非局部相关性的动态性。此外，非局部相关性通常基于像素，易因图像退化而产生偏倚。为纠正这些缺陷，本文提出一种动态注意力图学习模型（DAGL），在块级别上探索图像复原的动态非局部特性。具体而言，我们提出一种改进的图模型，以对每个节点动态且自适应数量的邻域执行块级图卷积。由此，图像内容可通过其连接邻域的数量自适应地平衡过平滑与过锐化伪影，且块级非局部相关性可增强消息传递过程。在多种图像复原任务上的实验结果：合成图像去噪、真实图像去噪、图像去马赛克以及压缩伪影去除，表明我们的 DAGL 能以优越的精度与视觉质量产生当前最优结果。源代码见 https://github.com/jianzhangcs/DAGL。
引用
@article{arxiv.2109.06620,
title = {Dynamic Attentive Graph Learning for Image Restoration},
author = {Chong Mou and Jian Zhang and Zhuoyuan Wu},
journal= {arXiv preprint arXiv:2109.06620},
year = {2021}
}
备注
Accepted by ICCV 2021