Key points are not available for this paper at this time.
Die Bildwiederherstellung zielt darauf ab, das latente scharfe Bild aus seinem korrupten Gegenstück zu rekonstruieren. Neben der Bearbeitung dieser langjährigen Aufgabe im räumlichen Bereich suchen einige Ansätze Lösungen im Frequenzbereich, indem die große Diskrepanz zwischen den Spektren von scharfen/verschlechterten Bildpaaren berücksichtigt wird. Diese Algorithmen nutzen jedoch häufig Transformationswerkzeuge, z. B. die Wavelet-Transformation, um Merkmale in mehrere Frequenzteile zu splitten, was nicht flexibel genug ist, um die informativste Frequenzkomponente auszuwählen, die wiederhergestellt werden soll. In diesem Papier nutzen wir ein mehrgliedriges und inhaltsbewusstes Modul, um Merkmale dynamisch und lokal in separate Frequenzsubbänder zu zerlegen und dann die nützlichen über kanalweise Aufmerksamkeitsgewichte zu akzentuieren. Darüber hinaus schlagen wir, um großflächige Verzerrungsunschärfen zu behandeln, ein extrem einfaches Entkopplungs- und Modulationsmodul vor, um das Rezeptivfeld durch globale und fensterbasierte durchschnittliche Pooling zu vergrößern. Darüber hinaus integrieren wir das Paradigma der mehrstufigen Netzwerke in ein einzelnes U-förmiges Netzwerk, um mehrstufige Rezeptivfelder zu verfolgen und die Effizienz zu verbessern. Schließlich, indem wir die oben genannten Entwürfe in ein konvolutionales Rückgrat integrieren, zeigt das vorgeschlagene Frequenzauswahl-Netzwerk (FSNet) eine vorteilhafte Leistung gegenüber aktuellen Algorithmen auf 20 verschiedenen Benchmark-Datensätzen für 6 repräsentative Aufgaben der Bildwiederherstellung, einschließlich Einzelbild-Defokussierung, Bild-Entnebelung, Bildbewegungsunschärfe, Bildschneeschmelze, Bildregentropfen und Bildrauschreduzierung.
Cui et al. (Mon,) haben diese Frage untersucht.