通过选择性状态空间模型学习丰富特征以实现高效图像去模糊

图像去模糊旨在从对应的模糊图像中恢复高质量图像。CNN和Transformer的出现使得显著进展成为可能。然而，这些方法常常面临消除长程退化扰动与保持计算效率之间的两难。虽然选择性状态空间模型（SSM）在建模长程依赖关系方面具有线性复杂度的潜力，但它也面临局部像素遗忘和通道冗余等挑战。为了解决这个问题，我们提出了一种高效的图像去模糊网络，利用选择性状态空间模型聚合丰富且准确的特征。具体来说，我们引入了一个聚合局部和全局信息块（ALGBlock），旨在有效捕获和整合局部不变特性和非局部信息。ALGBlock包含两个主要模块：捕获局部和全局特征的模块（CLGF）和特征聚合模块（FA）。CLGF模块由两个分支组成：全局分支通过选择性状态空间模型捕获长程依赖特征，局部分支采用简化通道注意力来建模局部连接，从而减少局部像素遗忘和通道冗余。此外，我们设计了FA模块，通过在聚合两个分支进行恢复时重新校准权重来突出局部部分。实验结果表明，所提出的方法在广泛使用的基准测试上优于最先进的方法。