任意主干网络的参数化归一化等价性及其在图像去噪中的应用

归一化等价性(NE)是一种结构性先验条件，可提高图像到图像任务中对分布迁移的鲁棒性。若函数$f满足 f(a y + b\mathbf{1}) = a f(y) + b\mathbf{1}$ 对所有 $a>0$ 和 $b\in\mathbb{R}$ 成立，则称其为归一化等价函数。现有NE方法约束每个内部层的运算为NE兼容形式，这类约束增加运行开销，且排除了softmax注意力和LayerNorm等标准Transformer组件。我们引入包装归一化等价性(Wrapped Normalization Equivariance, WNE)，一种无需参数的包装器，对输入进行归一化处理、应用任意主干网络，然后对输出进行反归一化。我们证明，每个NE函数都可采用此分解形式，因此该包装器精确地参数化了NE函数的全部类别。在盲去噪任务中，对CNN和Transformer架构进行包装，可在无噪声水平不匹配情况下提升鲁棒性，且无可测量的GPU开销，而传统的架构NE基线方法则慢最高达$1.6\times$。