Learning Enriched Features via Selective State Spaces Model for Efficient Image Deblurring

图像去模糊旨在从其对应的模糊图像中恢复高质量图像。卷积神经网络和Transformer的出现使得取得了显著的进展。然而，这些方法经常面临着在消除长距离退化扰动和保持计算效率之间的两难境地。虽然选择性状态空间模型(SSM)在线性复杂度下展示了建模长距离依赖性的潜力，但它也遇到了一些挑战，例如本地像素遗忘和通道冗余。为了解决这个问题，我们提出了一种有效的图像去模糊网络，利用选择性状态空间模型来聚合丰富和准确的特征。具体而言，我们引入了一个聚合局部和全局信息块(ALGBlock)，旨在有效地捕获和集成局部不变属性和非局部信息。ALGBlock包括两个主要模块：用于捕获局部和全局特征的模块(CLGF)和特征聚合模块(FA)。CLGF模块由两个分支组成：全局分支通过选择性状态空间模型捕获长距离依赖特征，而本地分支采用简化通道注意力来建模局部连接性，从而减少本地像素遗忘和通道冗余。此外，我们设计了一个FA模块，通过重新校准两个分支在恢复过程中的聚合权重来强调局部部分。实验结果表明，所提出的方法在广泛使用的基准测试中优于现有的最先进方法。

提出一种有效的图像去模糊方法，解决长程退化扰动和计算效率之间的两难问题。

引入了一个聚合局部和全局信息块(ALGBlock)，其中CLGF模块捕获局部和全局特征，FA模块用于强调局部部分，以此来集成丰富和准确的特征。

ALGBlock包括CLGF模块和FA模块，CLGF模块由全局分支和局部分支组成，FA模块用于强调局部部分。实验结果表明，该方法在广泛使用的基准测试中优于现有方法。

最近的相关研究包括：《Deep Generative Models for Distribution-Preserving Lossy Compression》、《A Survey of Deep Learning for Image Super-Resolution》等。