用于图像复原的具有非对称协同注意力的深度交错网络
计算机视觉与模式识别
2020-10-30 v1
摘要
近来，卷积神经网络（CNN）已在图像复原（IR）任务（例如图像超分辨率、图像去模糊、去除雨痕和去雾）中展现出显著成功。然而，现有的基于CNN的模型通常实现为单路径流，以从低质量（LQ）输入空间丰富特征表示用于最终预测，未能将先前的低级上下文充分整合进网络内后续的高级特征，从而产生较差的结果。本文中，我们提出一种深度交错网络（DIN），学习不同状态的信息应如何组合以重建高质量（HQ）图像。所提DIN遵循多路径多分支模式，允许多个互连分支在不同状态交错和融合。以此方式，浅层信息可引导深度代表性特征预测以增强特征表达能力。此外，我们提出非对称协同注意力（AsyCA），其附着于每个交错节点以建模特征依赖关系。此类AsyCA不仅能自适应地强调来自不同状态的信息性特征，还提高了网络的判别能力。我们提出的DIN可端到端训练并应用于各种IR任务。在公开基准和真实世界数据集上的综合评估表明，所提DIN在定量和定性上均优于最先进的方法。
引用
@article{arxiv.2010.15689,
title = {Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration},
author = {Feng Li and Runmin Cong and Huihui Bai and Yifan He and Yao Zhao and Ce Zhu},
journal= {arXiv preprint arXiv:2010.15689},
year = {2020}
}
备注
15pages, 15figures