多尺度自适应双域网络(MADNet)：基于空间-频率特征学习的图像去噪新范式

本文推荐：该研究针对图像去噪中多尺度表征不足与频域处理同质化问题，提出多尺度自适应双域网络(MADNet)。通过图像金字塔输入捕捉多尺度像素表征，创新性设计自适应空间-频率学习单元(ASFU)实现高低频成分的可学习分离，结合全局特征融合块(GFFB)增强跨尺度特征交互。实验证明其在合成/真实噪声数据集上均超越现有SOTA方法（如Restormer、Swin Transformer），为计算机视觉领域提供新型双域协同优化框架。

　　

亮点

我们提出自适应空间-频率学习单元(ASFU)并构建多尺度自适应双域网络(MADNet)用于图像去噪。研究发现频域中不同类型的退化会对图像内容产生差异化影响。受此启发，ASFU采用可学习掩膜和转置自注意力机制，实现高低频信息的分离与交互。同时利用低分辨率图像为网络提供更纯净的上下文信息。

方法

本节提出用于图像去噪的多尺度自适应双域网络(MADNet)。如图3所示整体架构，下文将详解MSANet的设计原理及各模块功能。

实验

本节首先介绍合成/真实噪声数据集及实验设置，随后展示定量与定性结果，最后进行消融研究和模型复杂度分析。表格中评估方法的最佳质量分数以加粗标出。

结论

本研究通过自适应空间-频率学习单元(ASFU)构建的MADNet，创新性地采用可学习掩膜实现频域成分的动态分离，结合多尺度架构显著提升去噪性能。实验表明该方法在合成与真实噪声场景下均达到最先进水平。

作者贡献声明

徐昭：原始稿件撰写、可视化、验证、方法论、数据管理、概念化；陈昭：稿件修订、项目管理、方法论；胡贤涛：资源支持、概念化；张洪亮：资源支持；戴英：资源支持与监督；杨健：资源支持与总体监督。

利益冲突声明

作者声明不存在可能影响本研究的财务或个人关系冲突。