FastSHADE：面向移动设备的快速自增广层次非对称去噪
计算机视觉与模式识别
2026-04-24 v2
摘要
实时图像去噪是现代移动摄影的关键需求，但受限于边缘设备的严格延迟和功耗限制，仍具挑战性。本文提出FastSHADE（Fast Self-augmented Hierarchical Asymmetric Denoising），一种为移动GPU上的实时高保真恢复量身定制的轻量级U-Net网络。 our方法采用多阶段架构，引入新颖的非对称频率去噪块（AFDB），将空间结构提取与高频噪声抑制解耦以最大化效率；并设计空间门控升采样器（SGU）优化高分辨率跳跃连接融合。为提升泛化能力，我们引入高效的噪声平移自增广策略，在不引起领域偏移的前提下增强数据多样性。在MAI2021基准测试上的评估表明，我们的可扩展模型族建立了高效的速度-保真度权衡。我们的基础FastSHADE-M变体在Adreno 840 GPU上保持实时延迟（<50ms），保留结构完整性；而扩缩版FastSHADE-XL实现了图像质量的新SOTA，达到37.94 dB PSNR。
引用
@article{arxiv.2604.10275,
title = {FastSHADE: Fast Self-augmented Hierarchical Asymmetric Denoising for Efficient inference on mobile devices},
author = {Nikolay Falaleev},
journal= {arXiv preprint arXiv:2604.10275},
year = {2026}
}
备注
To appear in the Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2026