基于局部和全局特征解耦的图像去噪网络

针对当前基于Transformer的图像去噪算法侧重于捕获图像的全局特征,而忽视局部特征对于恢复图像细节关键作用的问题,提出一种基于局部和全局特征解耦的图像去噪网络。该网络包含2个基于混合Transformer模块(HTB)的多尺度分支和1个基于卷积神经网络(CNN)的单尺度分支,旨在将HTB强大的全局建模能力与CNN的局部建模优势有机结合,生成上下文信息丰富且空间细节准确的输出。HTB采用自注意力机制自适应地对空间和通道维度的依赖关系建模,以激活范围更广的输入像素进行重建。鉴于不同分支间可能存在的信息冲突,设计特征传递模块,通过跨分支传递全局特征并抑制低频信息,从而确保各分支间的协同作用。实验结果表明,在真实世界图像数据集SIDD上,与基于Transformer的去噪网络Uformer相比,所提网络的峰值信噪比(PSNR)提高了0.09 dB,结构相似度(SSIM)提高了0.001;在合成图像数据集Urban100上,与多阶段去噪网络MSPNet(Multi-Stage Progressive denoising Network)相比,所提网络的平均PSNR提高了0.41 dB。可见,所提网络能有效去除图像噪声,并重建出更精细的纹理细节。