通过上下文丰富与细节精确特征学习提升图像恢复效果：LCDNet模型的多尺度设计与频率选择机制

本文提出了一种创新的多尺度网络架构LCDNet，通过混合尺度频率选择块（HSFSBlock）融合空间多尺度特征与频域注意力选择机制，有效平衡了图像恢复中空间细节保持与上下文信息捕获的难题。同时，设计跳跃连接注意力机制（SCAM）抑制编码器特征中的退化噪声，显著提升了恢复性能。实验表明该模型在多项图像恢复任务中达到或超越现有先进算法（SOTA）。

　　

Highlight

本研究核心贡献包括：

1. 1.

   提出LCDNet多尺度架构，通过协同空间与频域特征提升图像恢复性能

2. 2.

   设计混合尺度频率选择模块（HSFSBlock），集成多尺度空间特征块（MSSFBlock）与多分支选择性频率模块（MSFM），通过可学习频域滤波器分解高/低频成分，并利用交叉注意力自适应选择最具信息量的频段

3. 3.

   开发跳跃连接注意力机制（SCAM），通过注意力权重判别性筛选编码器至解码器的特征传递，有效抑制退化伪影的传播

Method

LCDNet采用由粗到细的多尺度输入输出训练策略。HSFSBlock首先通过MSSFBlock提取空间多尺度特征，随后MSFM模块执行频域分解与交叉注意力选择。SCAM模块通过通道注意力权重动态调制跳跃连接中的特征融合，保留互补信息的同时消除噪声。

Experiments

在去噪、去模糊、超分辨率等任务上的定量与定性实验表明，LCDNet在PSNR/SSIM指标上均优于主流方法（如CNN与Transformer基线）。消融实验验证了HSFSBlock与SCAM模块的协同有效性，资源消耗分析显示模型兼具计算效率与性能优势。

Limitation

当前方法将退化图像视为均匀退化，未考虑现实场景中不同区域的退化程度差异。未来将探索针对异构退化区域的差异化处理机制。

Conclusion

LCDNet通过多尺度空间-频域协同设计与自适应特征选择机制，实现了上下文丰富与细节精确的图像恢复。HSFSBlock与SCAM模块的创新设计为深度图像恢复模型提供了可解释的特征学习范式，在生物医学图像处理、病理切片增强等领域具有应用潜力。