【图像增强】Learning Enriched Features for Real Image Restoration and Enhancement 阅读笔记

🌟Paper: Learning Enriched Features for Real Image Restoration and Enhancement
🌟Code: https://github.com/swz30/MIRNet.

📖Abstract

图像修复在监控、计算摄影、医学成像和遥感领域中有着重要的应用。最近，卷积神经网络（CNN）在图像修复任务方面取得了比传统方法更显著的改进。现有的基于CNN的方法通常在全分辨率（full resolution）或以逐步低分辨率的方式进行。

In the former case, spatially precise but contextually less robust results are achieved, while in the latter case, semantically reliable but spatially less accurate outputs are generated. 在前一种情况下，实现了空间上的精确性，但上下文上的robust较差；而在后一种情况下，产生了语义上可靠但空间上不精确的输出。

本文提出了一个新的架构，其目标是在整个网络中保持空间上精确的高分辨率表征，并从低分辨率表征中接收强大的上下文信息。我们的方法的核心是一个多尺度残差块，包含几个关键因素：
(a)用于提取多尺度特征的平行多分辨率卷积流 parallel multi-resolution convolution streams for extracting multi-scale features
(b)多分辨率流之间的信息交换 information exchange across the multi-resolution streams
©用于捕捉背景信息的空间和通道注意机制 spatial and channel attention mechanisms for capturing contextual information
(d)基于注意的多尺度特征聚合 attention based multi-scale feature aggregation