MambaIR：基于状态空间模型的图像复原简单基线
计算机视觉与模式识别
2024-10-16 v3
摘要
近年来，图像复原取得了显著进展，这主要归功于现代深度神经网络（如 CNN 和 Transformer）的发展。然而，现有的复原骨干网络往往面临全局感受野与高效计算之间的两难困境，阻碍了其实际应用。最近，选择性结构化状态空间模型，尤其是改进版 Mamba，展现了以线性复杂度建模长程依赖的巨大潜力，为解决上述困境提供了一种途径。然而，标准 Mamba 在低级视觉任务中仍面临某些挑战，如局部像素遗忘和通道冗余。在本工作中，我们引入了一种简单但有效的基线，命名为 MambaIR，它引入了局部增强和通道注意力机制以改进原始 Mamba。通过这种方式，我们的 MambaIR 利用了局部像素相似性并减少了通道冗余。大量实验证明了该方法的优越性，例如，在图像超分辨率任务中，MambaIR 在计算成本相似但拥有全局感受野的情况下，性能比 SwinIR 高出多达 0.45dB。代码地址：\url{https://github.com/csguoh/MambaIR}。
引用
@article{arxiv.2402.15648,
title = {MambaIR: A Simple Baseline for Image Restoration with State-Space Model},
author = {Hang Guo and Jinmin Li and Tao Dai and Zhihao Ouyang and Xudong Ren and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2402.15648},
year = {2024}
}
备注
Accepted by ECCV2024