多尺度特征融合和上下文混合注意力机制的单图像去模糊

摘要

随着深度学习技术的快速发展，陆续提出了多种端到端的单图像去模糊网络.然而，现有的端到端网络在提高去模糊性能的同时，也带来了较高的计算复杂度.例如，传统的UNet网络虽然在图像去模糊任务中表现出色，但仍存在一些缺陷.首先，UNet网络的计算复杂度较高.其次，由于UNet网络的特征融合策略相对简单，导致其无法提取显著性的特征表征.为解决UNet网络的这些不足，本文提出多尺度特征融合和上下文混合注意力机制的单图像去模糊方法.首先，利用提出的多尺度特征表示机制快速提取不同分辨率的特征表示，从而降低计算复杂度.其次，利用提出的上下文混合注意力模块提取重要的空间信息和信道信息，利用提出的选择性特征融合模块提取自适应加权优化的空间信息和信道信息，利用提出的双层特征融合增强模块提取显著性的融合不同尺度的特征表征.3个公开数据集的实验结果表明，本文所提方法在去模糊性能、泛化能力和鲁棒性方面均优于现有方法.

关键词

图像去模糊 / 多尺度特征表示 / 上下文混合注意力 / 选择性特征融合 / 双层特征融合增强