ECCV 2020 | MIRNet：学习丰富的特征以进行真实图像修复和增强

Learning Enriched Features for Real Image Restoration and Enhancement

作者单位：IIAI, 加州大学默塞德分校, 谷歌
代码：swz30/MIRNet
论文：https://arxiv.org/abs/2003.06792

以从degraded版本中恢复高质量图像内容为目标，图像修复在监控，计算摄影，医学成像和遥感等领域拥有众多应用。最近，卷积神经网络（CNN）与传统的图像恢复方法相比取得了显著进步。现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。在前一种情况下，获得了空间精确但上下文上不那么鲁棒的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。

在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示中接收强大的上下文信息。

我们方法的核心是包含几个关键元素的多尺度残差块：

（a）并行多分辨率卷积流，用于提取多尺度特征；

（b）跨多分辨率流的信息交换；

（c）空间和通道注意力机制来捕获上下文信息；

（d）基于注意力的多尺度特征聚合。简而言之，我们的方法学习了一组丰富的特征，这些特征结合了来自多个尺度的上下文信息，同时保留了高分辨率的空间细节。

主要贡献：

实验结果

在五个真实的图像基准数据集上进行的大量实验表明，我们的方法名为MIRNet，可针对各种图像处理任务（包括图像去噪，超分辨率和图像增强）获得最新的结果。

去噪性能表现

超分辨率性能表现

图像增强性能表现

论文下载

链接：https://pan.baidu.com/s/1jU1FUL6IKgW03N8V6wxgAQ
提取码：uw9k