论文标题：Spatial-Frequency Attention for Image Denoising

论文链接：https://arxiv.org/abs/2302.13598

作者单位：香港理工大学

最近开发的Transformer网络通过利用图像中的自注意力（SA）在图像去噪方面取得了令人印象深刻的性能。 然而，由于其二次复杂度，现有方法大多使用相对较小的窗口来计算 SA，这限制了模型对长期图像信息建模的能力。 在本文中，我们提出了空间频率注意网络（SFANet）来增强网络利用远程依赖的能力。 对于空间注意模块 (SAM)，我们采用扩张 SA 来模拟长程依赖。 在频率注意模块 (FAM) 中，我们通过设计基于窗口的频率通道注意 (WFCA) 模块，使用快速傅里叶变换 (FFT) 来利用更多全局信息，以有效地对深度频率特征及其依赖性进行建模。 为了使我们的模块适用于不同大小的图像并保持训练和推理之间的模型一致性，我们应用了具有一组固定窗口大小的基于窗口的 FFT。 此外，信道注意力是在傅里叶谱的实部和虚部上计算的，这进一步提高了恢复性能。 所提出的 WFCA 块可以以可接受的复杂度有效地对图像远程依赖性进行建模。 多个去噪基准测试证明性能领先SFANet 网络。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除