CRNet: A Detail-Preserving Network for Unified Image Restoration and Enhancement Task

在现实世界中，拍摄的图像经常受到模糊、噪声和其他形式的图像退化的影响，由于传感器的限制，人们通常只能获得低动态范围的图像。为了获得高质量的图像，研究人员尝试对照片进行各种图像恢复和增强操作，包括去噪、去模糊和高动态范围成像。然而，仅执行单一类型的图像增强仍然无法产生令人满意的图像。在本文中，为了应对上述挑战，我们提出了复合精化网络（CRNet）来利用多曝光图像解决这个问题。通过充分整合信息丰富的多曝光输入，CRNet可以执行统一的图像恢复和增强。为了改善图像细节的质量，CRNet通过池化层明确分离和加强高低频信息，使用特别设计的多分支块来有效融合这些频率。为了增加感受野并完全整合输入特征，CRNet采用了高频增强模块，其中包括大内核卷积和反向瓶颈ConvFFN。我们的模型在Bracketing Image Restoration and Enhancement Challenge的第一项比赛中获得了第三名，超越了以前的SOTA模型，在测试指标和视觉质量方面都有所提高。

本论文旨在通过使用多曝光图像来解决图像恢复和增强中的模糊、噪声和动态范围低的问题，以及如何在这些方面进行统一的处理。

本文提出了一种名为CRNet的复合细化网络，通过完全整合信息丰富的多曝光输入，可以执行统一的图像恢复和增强。CRNet通过池化层明确分离和增强高和低频信息，使用特别设计的多分支块有效地融合这些频率。为了增加感受野并充分整合输入特征，CRNet采用了高频增强模块，其中包括大核卷积和反向瓶颈ConvFFN。

本文通过使用多曝光图像提出了一种解决图像恢复和增强中多种问题的方法，从而实现了统一的处理。实验结果表明，CRNet在Bracketing Image Restoration and Enhancement Challenge中获得了第三名，超过了以前的SOTA模型。本文还介绍了多分支块和高频增强模块等创新模块，同时使用了多个数据集进行实验，并提供了开源代码。

在这个领域中，最近的相关研究包括Deep Image Prior、Residual Dense Network for Image Super-Resolution、Deep Residual Learning for Image Denoising等。