MAXIM: Multi-Axis MLP for Image Processing论文阅读

1. 研究目标与产业意义

1.1 研究目标

论文旨在解决低层视觉任务（如去噪、去模糊、去雨、去雾、增强）中的核心挑战：

“The inflexibility to support high-resolution images and limitations of local attention are perhaps the main bottlenecks.”
传统CNN在处理高分辨率图像时感受野受限，而Transformer因计算复杂度高（$O(N^2)$）难以直接应用于密集像素级任务。MAXIM的目标是设计高效且全卷积的全局模型，支持任意分辨率输入，同时融合局部与全局信息。

1.2 产业意义

• 实际应用：手机摄影（去噪、夜景增强）、自动驾驶（去雾、去雨）、医疗影像（去模糊）。
• 技术痛点：现有模型参数量大（如Transformer）、边界伪影（分块处理）、依赖大规模预训练。
  MAXIM以轻量设计（22.2M参数）实现SOTA性能，可部署于边缘设备，推动实时图像处理产业化。

---

2. 创新方法：多轴MLP架构

MAXIM的核心创新在于提出 多轴门控MLP块（Multi-Axis Gated MLP Block, MAB） 和 交叉门控块（Cross Gating Block, CGB），通过线性复杂度实现全局感受野，并支持任意分辨率输入。下文将结合论文细节进行深度解析。

2.1 整体架构：UNet式多阶段框架

MAXIM采用多阶段编码器-解码器结构（图2a），核心设计包括：

“Each encoder, decoder, and bottleneck contains a multi-axis gated MLP block as well as a residual channel attention block (RCAB).”

• 层级设计：
  • 编码器：3层下采样（分辨率从 $256^2\to 128^2\to 64^2\to 32^2$），通道数递增（32→64→128→256）
  • 瓶颈层：2个MAB模块处理全局特征
  • 解码器：对称上采样恢复分辨率
• 跨阶段连接：
  • CGB门控跳跃连接（图2c），传递上下文信息
  • 多尺度特征融合（红/蓝线）聚合多级信息
• 多阶段监督（公式7）：
  $$\mathcal{L}=\sum _{s=1}^S\sum _{n=1}^N\left[{\mathcal{L}}_{char}(R_{s,n},T_n)+\lambda {\mathcal{L}}_{freq}(R_{s,n},T_n)\right]$$
  其中 ${\mathcal{L}}_{char}$ 为Charbonnier损失（公式8），${\mathcal{L}}_{freq}$ 为频域重建损失（公式9），强制保留高频细节。

▲ 图2：MAXIM整体架构

2.2 多轴门控MLP块（MAB）

2.2.1 局部与全局分支并行

MAB（图3）将输入特征沿通道分为两半 ($C/2$)，分别进行局部分块（Block） 和 全局网格（Grid） 处理：

1. 局部分支（Local Branch）：

   • 操作：将特征划分为 $b\times b$ 非重叠块 → 在 第二个轴（空间块内）应用 gMLP
   • 数学表达（公式1）：
     Block b : ( H , W , C / 2 ) → ( H b × W b , b × b , C / 2 ) \text{Block}_b: (H, W, C/2) \to \left(\frac{H}{b} \times \frac{W}{b}, b \times b, C/2\right)