Bracketing Image Restoration and Enhancement with High-Low Frequency Decomposition

在现实世界的场景中，由于一系列图像退化的原因，获得高质量、清晰的内容照片是具有挑战性的。虽然在合成高质量图像方面取得了重大进展，但以往的图像恢复和增强方法往往忽略了不同退化的特征。它们采用相同的结构来处理各种类型的退化，导致恢复的效果不够理想。受到高/低频信息适用于不同退化的概念的启发，我们介绍了HLNet，一种基于高低频分解的括号图像恢复和增强方法。具体而言，我们采用两个特征提取模块：共享权重模块和非共享权重模块。在共享权重模块中，我们使用SCConv从不同的退化中提取共同的特征。在非共享权重模块中，我们引入了高低频分解块（HLFDB），采用不同的方法处理高低频信息，使模型能够更有效地处理不同的退化。与其他网络相比，我们的方法考虑了不同退化的特征，从而实现了更高质量的图像恢复。

本论文旨在解决图像恢复和增强中常见的不同类型的降质问题，提出了一种基于高低频分解的括号图像恢复和增强方法。

该论文的关键思路是使用共享权重模块和非共享权重模块进行特征提取，其中共享权重模块使用SCConv从不同的降质中提取共同特征，而非共享权重模块则引入了高低频分解块（HLFDB），使用不同的方法处理高低频信息，从而更有效地解决不同的降质问题。

该论文的亮点包括：使用高低频分解块处理不同类型的降质问题，相比其他网络更加高效；实验表明该方法在图像恢复和增强方面表现出色；作者提供了开源代码。

在这个领域中，最近的相关研究包括：《Deep Residual Learning for Image Restoration》、《Image Super-Resolution Using Deep Convolutional Networks》、《Deep Convolutional Neural Network for Image Deconvolution》等。