空间-频率混合修复网络：针对JPEG压缩图像中模糊与压缩伪影共存退化问题的创新解决方案

本文提出空间-频率混合修复网络(SFHRN)，创新性地解决了JPEG压缩图像中模糊(blur)与压缩伪影(compression-artifact)共存的退化问题(BCDI)。通过设计包含块级通道注意力分支(PCAB)和像素级全局注意力分支(PGAB)的双分支结构，结合信息筛选策略(ISS)，在空间域和频域实现特征深度挖掘，首次构建了GoPro-Compressed等基准数据集，在计算成本和性能上均超越现有方法。

　　

【Highlight】

空间-频率混合修复网络开创性地解决了模糊与压缩伪影共存的图像退化问题，通过双分支架构实现空间域与频域特征的协同挖掘，为医学影像等领域的图像重建提供了新范式。

【压缩伪影去除研究】

Dong等人通过为不同数据集和质量因子分配差异化参数，在空间域实现JPEG伪影去除。Guo团队利用标准正态分布的辅助输入配合普通残差块恢复压缩图像。Cavigelli团队构建的多尺度神经网络采用卷积编解码器...

【SFHRN架构】

面对模糊与压缩伪影共存的挑战性难题，我们创新性地将JPEG压缩算法特性融入网络设计，提出空间-频率混合修复网络(SFHRN)。该网络通过双分支架构实现：块级通道注意力分支(PCAB)在空间域沿空间维度挖掘局部上下文信息，像素级全局注意力分支(PGAB)沿通道维度提取每个像素的频率特征，二者协同实现全局频率信息的深度挖掘。

【数据集与评估指标】

为公平比较，我们对GoPro训练集和测试集以及HIDE测试集分别施加10/20/30/40等质量因子(QF)的JPEG压缩，构建GoPro-Compressed和HIDE-Compressed合成数据集。训练采用GoPro-Train-Compressed，评估则覆盖GoPro-Test-Compressed、HIDE-Compressed等多样化场景...

【结论】

本文提出的SFHRN通过创新的双分支架构：PCAB分支在空间域学习块状结构特征挖掘局部上下文，PGAB分支在频域挖掘像素级全局特征，配合信息筛选策略(ISS)实现特征优选，为JPEG压缩的BCDI修复建立了新标准。实验证明该方法在保持较低计算成本的同时，显著提升了重建质量。