论文标题：Multi-Stage Progressive Image Restoration 论文链接：https://arxiv.org/abs/2102.02808 代码链接：https://github.com/swz30/MPRNet 作者单位：IIAI & MBZUAI & 谷歌

在图像去雨、去模糊、去噪等任务上表现SOTA！性能优于MSPFN、PreNet和DMPHN等网络！

图像恢复任务要求在恢复图像时在空间细节和高级上下文信息之间达成复杂的平衡。在本文中，我们提出了一种新颖的协同设计，可以最佳地平衡这些相互竞争的目标。我们的主要建议是一个多阶段体系结构，该体系结构逐步学习降级输入的恢复功能，从而将整个恢复过程分解为更易于管理的步骤。具体来说，我们的模型首先使用编码器-解码器体系结构学习上下文相关的功能，然后将它们与保留局部信息的高分辨率分支相结合。在每个阶段，我们都会介绍一种新颖的每像素自适应设计，该设计利用现场监督的注意力来重新加权局部特征。这种多阶段体系结构的关键要素是不同阶段之间的信息交换。为此，我们提出了一种两方面的方法，即不仅从早期到后期顺序交换信息，而且在特征处理模块之间也存在横向连接，以避免信息丢失。由此产生的紧密互连的多级体系结构称为MPRNet，可在包括图像去雨，去模糊和去噪在内的一系列任务的十个数据集上获得强劲的性能提升。例如，与最新技术相比，在Rain100L，GoPro和DND数据集上，我们分别获得4 dB，0.81 dB和0.21 dB的PSNR增益。

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