LIR：一种用于图像复原的轻量级基线网络
计算机视觉与模式识别
2024-06-25 v3
摘要
近年来，基于CNN和Transformer的图像复原取得了显著进展。然而，许多工作常常忽略了图像复原任务的内在特性，转而专注于基本模块设计，并将大量此类模块堆叠到模型中，导致参数冗余和不必要的计算。因此，图像复原的效率受到阻碍。本文提出一种用于图像复原的轻量级基线网络，称为LIR，以高效地复原图像并去除退化。首先，通过巧妙的结构设计，LIR 去除了现代网络所忽略的存在于局部和全局残差连接中的退化。然后，引入一个轻量级自适应注意力（LAA）模块，该模块主要由所提出的自适应滤波器和注意力模块组成。所提出的自适应滤波器用于在各种图像复原任务中自适应地提取高频信息并增强物体轮廓，而注意力模块则包含一个新颖的Patch Attention模块，用于近似Transformer的自注意力部分。在去雨任务上，我们的LIR在结构相似性指数（SSIM）上达到了最先进水平，在峰值信噪比（PSNR）上取得了与最先进模型相当的性能。对于去噪、去雾和去模糊任务，LIR 也以约30%的参数量取得了与最先进模型相当的性能。此外，值得注意的是，我们的LIR产生了更符合人类审美的更佳视觉效果。
引用
@article{arxiv.2402.01368,
title = {LIR: A Lightweight Baseline for Image Restoration},
author = {Dongqi Fan and Ting Yue and Xin Zhao and Renjing Xu and Liang Chang},
journal= {arXiv preprint arXiv:2402.01368},
year = {2024}
}