单阶段自适应多重注意网络用于图像恢复.

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 图像处理 图像处理

背景情况:

• 以注意力为基础的网络对于图像恢复是有效的,但通常具有有限的受体场,计算成本昂贵.
• 现有的模型在空间上下文的弹性和像素对像素对应性方面扎,阻碍了特征表示质量.

研究的目的:

• 提出一种新的,计算效率高的架构,即单阶段自适应多重注意网络 (SSAMAN),用于图像修复任务.
• 通过改进感应场和空间-上下文强度来解决现有方法的局限性.

主要方法:

• 开发了单阶段自适应多重注意网络 (SSAMAN) 架构.
• 引入了一个自适应多注意模块 (AMAM),集成了自适应像素注意分支 (APAB) 和自适应频道注意分支 (ACAB).
• 进行了广泛的实验和对图像光和消除模糊的基准进行了废除研究.

主要成果:

• 萨曼在图像抹黑和消除模糊的任务中取得了最先进的结果.
• 在SIDD数据集中,SSAMAN达到了40.08dBPSNR,在41.02%的计算量下以0.06dBPSNR优于Restormer.
• 在DND数据集上实现了40.05 dB的PSNR,用于消除噪音,在GoPro数据集上实现了33.53 dB的PSNR,用于消除模糊.

结论:

• 对于图像恢复任务,SSAMAN提供了一个计算效率高和强大的解决方案.
• 拟议的自适应多重注意模块有效地集成道和像素智能信息,以增强功能表示.
• 与现有的最先进的方法相比,SSAMAN表现出卓越的性能和效率.