基于结构保持互补注意力的真实图像复原
图像与视频处理
2022-07-29 v1 计算机视觉与模式识别
机器学习
摘要
由于卷积神经网络在从大规模数据中学习可泛化图像先验方面表现良好，这些模型已被广泛用于图像去噪任务。然而，复杂模型上的计算复杂度也急剧增加。本文中，我们提出一种新颖的轻量级互补注意力模块，其包含密度模块与稀疏模块，可协同挖掘稠密与稀疏特征以进行特征互补学习，从而构建高效的轻量级架构。此外，为减少去噪引起的细节损失，本文构建了基于梯度的结构保持分支。我们利用基于梯度的分支获取额外结构先验用于去噪，并通过梯度损失优化使模型更关注图像几何细节。基于此，我们提出了一种高效的双分支 U-Net 结构网络，视觉结果表明其能有效保持原始图像的结构细节；我们在包括 SIDD 与 DND 的基准上进行了评估，其中 SCANet 在 PSNR 与 SSIM 上取得了优于现有最优方法的性能，同时显著降低了计算成本。
引用
@article{arxiv.2207.13879,
title = {Real Image Restoration via Structure-preserving Complementarity Attention},
author = {Yuanfan Zhang and Gen Li and Lei Sun},
journal= {arXiv preprint arXiv:2207.13879},
year = {2022}
}