通过学习上下文丰富且细节精确的特征增强图像恢复
计算机视觉与模式识别
2025-04-16 v1
摘要
图像恢复涉及从受损版本中恢复高质量图像，需要在空间细节和上下文信息之间取得精妙的平衡。虽然某些方法解决了这一平衡问题，但它们主要强调空间方面，忽视了频率变化的理解。在本文中，我们提出了一种多尺度设计，最优地平衡了这些竞争目标，无缝整合空间域与频域知识以选择性恢复最具信息量的成分。具体而言，我们开发了一种混合尺度频率选择块（HSFSBlock），它不仅从空间域捕获多尺度信息，还在频域中选择最具信息量的成分用于图像恢复。此外，为缓解仅使用加法或拼接的跳跃连接所引入的固有噪声，我们引入了一种跳跃连接注意力机制（SCAM），用于选择性确定应通过跳跃连接传播的信息。由此产生的紧密互联架构命名为LCDNet。在多种图像恢复任务上进行的广泛实验表明，我们的模型达到了优于或可与最先进算法相媲美的性能水平。
引用
@article{arxiv.2504.10558,
title = {Enhancing Image Restoration through Learning Context-Rich and Detail-Accurate Features},
author = {Hu Gao and Depeng Dang},
journal= {arXiv preprint arXiv:2504.10558},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2407.08950