用于图像增强的互引导与残差整合方法

先前的研究表明图像增强需要进行全局与局部调整。然而，现有的卷积神经网络（CNNs）与基于 transformer 的模型在平衡全局-局部信息使用的计算效率与有效性方面面临巨大挑战。特别是，现有方法通常采用全局到局部的融合模式，忽视了双向交互的重要性。为解决这些问题，我们提出一种新颖的互引导网络（MGN），在保持紧凑架构的同时实现有效的双向全局-局部信息交换。在我们的设计中，我们采用双分支框架，其中一个分支更侧重于建模全局关系，而另一个分支致力于处理局部信息。随后，我们在整个框架中开发了一种高效的基于注意力的互引导方法以实现双向全局-局部交互。因此，全局与局部分支均能受益于互信息聚合的优势。此外，为进一步精炼 MGN 生成的结果，我们遵循分治思想提出了一种新颖的残差整合方案。大量实验证明了我们所提方法的有效性，其在多个公开图像增强基准上取得了最先进的性能。