ShiftLUT：基于空间位移增强的高效图像恢复查找表
计算机视觉与模式识别
2026-03-04 v2
摘要
基于查找表(LUT)的方法近年来成为高效图像恢复任务的热门方向。虽然最近的LUT方法通过扩大感受野来提升性能，但不可避免地引入额外的计算和存储开销，限制了其在边缘设备上的部署。为此，我们提出了ShiftLUT—a种新型框架，实现了所有LUT方法中最大的感受野，同时保持高效性。我们的关键思想源于三个互补组件：首先，引入可学习的空间位移模块(LSS)，通过对特征图施加可学习的通道级空间偏移来扩大感受野；其次，我们提出一种非对称双分支架构，将更多计算资源分配给信息密集的分支，显著降低推理延迟而不损害恢复质量；最后，我们采用一种称为误差界自适应抽样(EAS)的特征级LUT压缩策略，以最小化存储开销。相较于前所未有的TinyLUT方法，ShiftLUT在多个标准基准测试中实现了3.8倍的感受野增长，平均PSNR提升超过0.21 dB，同时保持较小的存储规模和推理时间。代码已公开：https://github.com/Sailor-t/ShiftLUT
引用
@article{arxiv.2603.00906,
title = {ShiftLUT: Spatial Shift Enhanced Look-Up Tables for Efficient Image Restoration},
author = {Xiaolong Zeng and Yitong Yu and Shiyao Xiong and Jinhua Hao and Ming Sun and Chao Zhou and Bin Wang},
journal= {arXiv preprint arXiv:2603.00906},
year = {2026}
}
备注
Accepted to CVPR 2026