本文解决了动态场景去模糊的问题。尽管端到端完全卷积设计最近在非均匀运动去模糊方面取得了最新进展,但它们的性能-复杂性权衡仍然不是最佳的。现有方法通过简单地增加通用卷积层的数量、内核大小来实现大的感受野,这伴随着模型大小和推理速度增加的负担。在这项工作中,本文提出了一种有效的像素自适应和特征细心的设计,用于处理不同图像内和不同图像之间的大的模糊变化。本文还提出了一种有效的内容感知全局-局部过滤模块,通过不仅考虑像素的全局依赖性而且还动态地使用相邻像素来显着提高性能。本文使用由上述模块组成的补丁分层注意力架构,该架构隐式地发现输入图像中存在的模糊的空间变化,然后执行中间特征的局部和全局调制。与现有技术在去模糊基准上的广泛定性和定量比较证明了所提出的网络的优越性。
本文提出了一种新的内容自适应架构设计,用于消除动态场景图像中空间变化模糊的挑战性任务。 在所有编码器-解码器中都利用了高效的自注意力来获得更好的表示,而交叉注意力有助于跨层和级别的有效特征传播。 提议的动态过滤模块显示本地过滤的内容感知。 所提出的方法更具可解释性,这是其主要优势之一。 本文的实验结果表明,所提出的方法在定性和定量的两个基准上都比最先进的方法取得了更好的结果。 本文表明,所提出的内容自适应方法实现了内存、时间和准确性的最佳平衡,并且可以应用于其他图像处理任务。
本文来自橙子投稿,不代表知行编程网立场,版权归原作者所有,欢迎分享本文,转载请保留出处!
内容反馈