用于真实图像复原与增强的富集特征学习
计算机视觉与模式识别
2020-07-09 v2
摘要
图像复原旨在从退化版本中恢复高质量图像内容，在监控、计算摄影、医学成像和遥感等领域有众多应用。近年来，卷积神经网络（CNN）在图像复原任务上相较传统方法取得了显著改进。现有基于 CNN 的方法通常在全分辨率或渐进低分辨率表示上操作。前者获得空间精确但上下文鲁棒性较弱的结果，后者生成语义可靠但空间精度较低的输出。本文提出一种新颖架构，其总体目标是在整个网络中保持空间精确的高分辨率表示，并从低分辨率表示中获取强上下文信息。我们方法的核心是一个多尺度残差块，包含若干关键要素：(a) 用于提取多尺度特征的并行多分辨率卷积流，(b) 多分辨率流之间的信息交换，(c) 用于捕获上下文信息的空间与通道注意力机制，以及 (d) 基于注意力的多尺度特征聚合。简言之，我们的方法学习了一组富集特征，其结合了多尺度的上下文信息，同时保留了高分辨率空间细节。在五个真实图像基准数据集上的大量实验表明，我们命名为 MIRNet 的方法在包括图像去噪、超分辨率和图像增强在内的多种图像处理任务上取得了最先进（SOTA）结果。源代码与预训练模型可在 https://github.com/swz30/MIRNet 获取。
引用
@article{arxiv.2003.06792,
title = {Learning Enriched Features for Real Image Restoration and Enhancement},
author = {Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat and Fahad Shahbaz Khan and Ming-Hsuan Yang and Ling Shao},
journal= {arXiv preprint arXiv:2003.06792},
year = {2020}
}
备注
Accepted for publication at ECCV 2020