代碼

Multi-stage progressive image restoration

摘要：作者提出了多階段架構，逐步學習目標函數。具體來說，作者首先使用編碼器解碼器架構學習上下文特征，然后在保持局部信息的高分辨率分支融合它們。在每個階段，作者引入了像素自適應設計，該設計利用監督注意力重新加權局部特征。這種多階段架構的一個關鍵要素是不同階段之間的信息交換。為此，我們提出了一種雙向方法，其中信息不僅從早期到晚期依次交換，而且特征處理塊之間還存在橫向連接，以避免任何信息丟失。由此產生的緊密鏈接的多階段體系結構稱為MPRNet。

引言

圖像恢復是個不適定問題，為了限制解空間，通常會根據經驗設計先驗，但是設計這種先驗知識是一種挑戰。為了緩解這個問題，現在大多數方法都使用卷積神經網絡從大規模數據中學習普遍的先驗知識。

CNN方法超越其他方法主要是源于模型設計。常見的模型設計方法有遞歸殘差學習、擴展卷積、注意力機制、密集連接、編碼器-解碼器、生成模型。所有低水平視覺問題都是基于單階段設計，相比于高層次視覺問題（比如說 姿勢估計、場景解析、動作分割），幾乎都是多階段的網絡模型。

最近很少有人在圖像恢復領域應用多級設計。作者分析了為什么會出現這種情況。首先多階段技術常用于編碼-解

總結

以上是生活随笔為你收集整理的Multi-Stage Progressive Image Restoration的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。