重新思考跳跃连接:面向鲁棒且可解释去噪的加法 U-Net
计算机视觉与模式识别
2026-01-21 v1
摘要
跳跃连接是用于图像去噪的 U-Net 架构的核心,但标准的拼接操作会使通道维度翻倍并模糊信息流,导致不受控的噪声传递。我们提出加法 U-Net,用门控加法连接取代拼接式跳跃连接。每个跳跃路径由一个可学习的非负标量进行缩放,在对编码器贡献提供显式且可解释控制的同时避免了通道膨胀。在 Kodak-17 去噪基准上的评估表明,加法 U-Net 在噪声水平 {\sigma} = 15, 25, 50 下取得了具竞争力的 PSNR/SSIM,且在各种卷积核调度和深度下均具有鲁棒性。值得注意的是,即使没有显式的下/上采样或强制层级结构也能实现有效去噪,因为模型自然地学习了从高频到带通再到低频特征的递进过程。这些结果将加法跳跃连接定位为拼接操作的轻量级且可解释的替代方案,在重建网络中实现了高效设计和对多尺度信息传递的更清晰理解。
引用
@article{arxiv.2601.13208,
title = {Rethinking Skip Connections: Additive U-Net for Robust and Interpretable Denoising},
author = {Vikram R Lakkavalli},
journal= {arXiv preprint arXiv:2601.13208},
year = {2026}
}