特征细化和多尺度注意力的Transformer图像去噪网络

作者：袁姮; 耿仪坤^*

来源：计算机科学与探索, 2023, 1-16.

• 图像去噪
• 特征细化
• 多尺度注意力
• Transformer
• 真实噪声

为增强全局上下文信息的关联性，加强对多尺度特征的关注，在提升图像去噪效果的同时最大程度保留细节特征，提出一种基于Transformer的特征细化和多尺度注意力的图像去噪网络TFRADNet（Transformer-based Feature Refinement and Multi-scale Attention Image Denoising Network）。该网络不仅在编解码器部分利用Transformer解决大规模图像的长程依赖问题，提高模型的去噪效率，还在上采样操作后加入位置感知层来增强网络对特征图中像素位置的感知能力。为了应对Transformer可能对像素间空间关系的忽略，导致局部细节失真，在特征重建阶段设计了特征细化模块（Feature Refinement Block，FRB），采用串行结构逐层引入非线性变换，加强对噪声水平复杂的图像局部特征的识别。同时，设计了多尺度注意力模块（Multi-scale Attention Block，MAB），采用并行双分支结构，对空间注意力和通道注意力联合建模，有效捕捉不同尺度的图像特征并进行加权，提高模型对多尺度特征的感知能力。在真实噪声数据集SIDD、DND和RNI15上的实验结果显示，TFRADNet能够兼顾全局信息和局部细节，相比其它先进方法展现出了更强的抑噪能力和稳健性。

• 单位
  辽宁工程技术大学