Los puntos clave no están disponibles para este artículo en este momento.
La restauración de imágenes tiene como objetivo recuperar imágenes de alta calidad a partir de sus contrapartes corruptas. Muchos métodos existentes se centran principalmente en el dominio espacial, descuidando la comprensión de las variaciones de frecuencia e ignorando el impacto del ruido implícito en las conexiones de salto. En este artículo, introducimos una red de selección de frecuencia multiescala (MSFSNet) que integra sin problemas el conocimiento del dominio espacial y de frecuencia, recuperando selectivamente información más rica y precisa. Específicamente, inicialmente capturamos características espaciales y las introducimos en módulos de selección de filtros dinámicos (DFS) en diferentes escalas para integrar el conocimiento de frecuencia. DFS utiliza filtros aprendibles para generar información de alta y baja frecuencia y emplea un mecanismo de atención cruzada de frecuencia (FCAM) para determinar la información más relevante a recuperar. Para aprender un conjunto de características híbridas multiescala y precisas, desarrollamos un bloque de fusión de características de salto (SFF) que aprovecha las características contextuales para determinar de manera discriminativa qué información debe ser propagada en las conexiones de salto. Cabe destacar que nuestros DFS y SFF son módulos genéricos que pueden ser empleados directamente en redes existentes sin ningún ajuste, lo que lleva a mejoras en el rendimiento. Amplios experimentos en diversas tareas de restauración de imágenes demuestran que nuestro MSFSNet logra un rendimiento que es superior o comparable a algoritmos de última generación.
Gao et al. (Thu,) estudiaron esta cuestión.