基于双注意力融合与门控前馈网络的图像修复方法DAGF-Swin

《Scientific Reports》：Efficient dual-attention fusion with gated feed-forward learning for image restoration under compound degradations

　　

摘要

图像修复是计算机视觉中的基础性任务，广泛应用于低光增强、图像去噪和压缩伪影去除等领域。基于Transformer的修复方法在捕捉长程依赖关系和建模全局特征方面表现有效，但往往存在浅层特征与深层特征之间交互不足以及计算开销过大的问题。为了解决上述局限，本文提出了一种名为DAGF-Swin的图像修复方法，该方法基于双注意力融合和门控前馈协同机制。首先，引入双注意力融合（DAF）模块，联合利用通道注意力和空间注意力，增强浅层纹理细节与深层语义信息之间的协同表征能力。其次，设计了门控卷积前馈网络（GConvFF），以提升前馈阶段中的非线性建模能力和特征选择效率。第三，开发了全局移位窗口掩码缓存机制（MaskCache），以减少冗余计算并降低整体计算成本。在多个测试数据集上的实验结果表明，所提方法取得了优异的性能，在具有参考的指标PSNR、SSIM和DISTS以及无参考指标NIQE方面均有显著提升。此外，与以往经典方法相比，本方法在运行效率方面表现更优。这些结果表明，有效的特征融合与轻量化计算可以提升实际图像修复的性能。