双分支特征提取网络DBFE-Net：面向高斯盲去噪的协同注意力机制创新研究

针对图像采集传输中高斯噪声(AWGN)导致的细节丢失问题，研究人员提出双分支特征提取网络DBFE-Net，创新整合RUSA模块的U型空间注意力与RMA模块的多级残差注意力机制，在5个合成数据集和2个真实数据集上实现超越现有方法的去噪性能，为医学影像等关键领域提供鲁棒解决方案。

　　

在数字图像无处不在的今天，从智能手机拍摄到医学CT扫描，图像质量直接影响着诊断准确性和机器视觉系统的可靠性。然而，传感器噪声、传输干扰等因素引入的加性高斯白噪声(AWGN)如同蒙在图像上的薄纱，不仅模糊了细微的纹理特征，更可能掩盖关键的病理特征或交通标志。传统去噪方法如BM3D虽有一定效果，但其依赖固定参数的特性难以应对复杂多变的真实场景。深度学习的兴起为这一问题带来转机，但简单的网络堆叠往往导致细节丢失和计算冗余。

针对这一挑战，研究人员开发了双分支特征提取网络DBFE-Net。该网络创造性地采用双路径架构：上分支通过残差U-Net空间注意力(RUSA)模块实现深浅特征融合，下分支借助残差多级注意力(RMA)模块捕获多尺度特征。这种"分工协作"的设计理念，使得网络既能把握图像全局结构，又能精修局部细节。实验表明，DBFE-Net在DIV2K等数据集上的去噪效果显著优于DnCNN、FFDNet等现有方法，尤其在高噪声水平下仍能保持边缘锐度和纹理真实性。

关键技术包括：1) 使用Flickr2K和DIV2K数据集生成66,436张128×128训练样本；2) 设计过渡层(TL)实现3通道到128通道的特征转换；3) RUSA模块结合U-Net结构与空间注意力机制；4) RMA模块采用金字塔分割注意力(PSA)策略；5) 双分支特征融合输出。

【ResNet和DenseNet用于图像去噪】
基于残差网络(ResNet)和密集连接的优势，研究团队创新引入注意力机制。ResNet的跳跃连接有效缓解梯度消失，而密集连接则增强了特征复用，这为后续双分支设计奠定基础。

【整体架构】
DBFE-Net的核心创新在于双分支的差异化设计。RUSA-branch通过U型编解码结构实现多尺度特征提取，配合空间注意力筛选关键区域；RMA-branch则通过金字塔分割将特征图划分为不同子空间，并行处理后再聚合。这种架构在参数效率与特征表达能力间取得平衡。

【数据集】
采用Flickr2K(2,650张)和DIV2K(900张)构成的大规模训练集，通过512×512裁剪和128×128随机裁剪的数据增强策略，确保模型对各种场景的泛化能力。测试阶段在CBSD68等标准数据集验证，证明其超越BM3D约1.2dB的PSNR增益。

【结论与展望】
DBFE-Net通过双分支协同机制实现了噪声抑制与细节保留的平衡。RUSA模块的空间注意力有效聚焦关键结构，RMA模块的多级处理则增强了纹理恢复能力。这种架构思想可扩展至其他图像复原任务，如超分辨率和去模糊。未来研究将探索动态分支权重调整和三维医学影像适配。

该成果由Sanzai Liu等人完成，Lihua Cao教授团队指导，相关技术已应用于实际医疗影像处理系统。研究不仅推进了盲去噪的理论边界，更为自动驾驶、远程医疗等对图像质量敏感的领域提供了实用工具。论文的创新性体现在：首次将U-Net结构与空间注意力结合用于去噪任务，开创性地设计金字塔分割的多级注意力机制，并通过严格的消融实验验证了各模块的必要性。