代碼

Multi-stage progressive image restoration

摘要：作者提出了多階段架構(gòu)，逐步學(xué)習(xí)目標函數(shù)。具體來說，作者首先使用編碼器解碼器架構(gòu)學(xué)習(xí)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(yīng)設(shè)計，該設(shè)計利用監(jiān)督注意力重新加權(quán)局部特征。這種多階段架構(gòu)的一個關(guān)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(chǎn)生的緊密鏈接的多階段體系結(jié)構(gòu)稱為MPRNet。

引言

圖像恢復(fù)是個不適定問題，為了限制解空間，通常會根據(jù)經(jīng)驗設(shè)計先驗，但是設(shè)計這種先驗知識是一種挑戰(zhàn)。為了緩解這個問題，現(xiàn)在大多數(shù)方法都使用卷積神經(jīng)網(wǎng)絡(luò)從大規(guī)模數(shù)據(jù)中學(xué)習(xí)普遍的先驗知識。

CNN方法超越其他方法主要是源于模型設(shè)計。常見的模型設(shè)計方法有遞歸殘差學(xué)習(xí)、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(shè)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(wǎng)絡(luò)模型。

最近很少有人在圖像恢復(fù)領(lǐng)域應(yīng)用多級設(shè)計。作者分析了為什么會出現(xiàn)這種情況。首先多階段技術(shù)常用于編碼-解

總結(jié)

以上是生活随笔為你收集整理的Multi-Stage Progressive Image Restoration的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。