用于图像去噪的两阶段渐进式残差密集注意力网络
计算机视觉与模式识别
2024-01-08 v1 图像与视频处理
摘要
用于图像去噪的深度卷积神经网络（CNN）能够有效利用丰富的层次特征，并取得了巨大成功。然而，许多基于深度CNN的去噪模型平等地利用噪声图像的层次特征，而没有关注更重要和有用的特征，导致性能相对较低。为了解决这个问题，我们设计了一种新的两阶段渐进式残差密集注意力网络（TSP-RDANet）用于图像去噪，它将整个去噪过程分为两个子任务以逐步去除噪声。为两个顺序子任务设计了两种不同的基于注意力机制的去噪网络：第一阶段设计了残差密集注意力模块（RDAM），第二阶段提出了混合扩张残差密集注意力模块（HDRDAM）。所提出的注意力模块能够通过不同卷积层之间的密集连接学习适当的局部特征，同时抑制不相关的特征。两个子网络通过长跳跃连接相连，以保留浅层特征从而增强去噪性能。在七个基准数据集上的实验证明，与许多最先进的方法相比，所提出的TSP-RDANet在合成和真实噪声图像去噪上都能获得令人满意的结果。我们的TSP-RDANet代码可在https://github.com/WenCongWu/TSP-RDANet获取。
引用
@article{arxiv.2401.02831,
title = {Two-stage Progressive Residual Dense Attention Network for Image Denoising},
author = {Wencong Wu and An Ge and Guannan Lv and Yuelong Xia and Yungang Zhang and Wen Xiong},
journal= {arXiv preprint arXiv:2401.02831},
year = {2024}
}