基于局部和全局特征解耦的图像去噪网络

doi:10.11772/j.issn.1001-9081.2023081131

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (8): 2571-2579.DOI: 10.11772/j.issn.1001-9081.2023081131

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于局部和全局特征解耦的图像去噪网络

丁宇伟¹, 石洪波¹(), 李杰¹^,², 梁敏¹

^1.山西财经大学信息学院，太原 030006
^2.经济大数据山西省重点实验室（山西财经大学），太原 030006

收稿日期:2023-08-23 修回日期:2023-11-01 接受日期:2023-11-14 发布日期:2024-08-22 出版日期:2024-08-10
通讯作者: 石洪波
作者简介:丁宇伟（1998—），男，山西忻州人，硕士研究生，CCF会员，主要研究方向：机器学习、图像处理
石洪波（1965—），女，山西太原人，教授，博士，主要研究方向：机器学习、数据挖掘 shihb@sxufe.edu.cn
李杰（1986—），男，四川邛崃人，副教授，博士，主要研究方向：计算机视觉、图像处理
梁敏（1979—），女，山西忻州人，副教授，博士，主要研究方向：图像处理、模式识别。
基金资助:
中央引导地方科技发展资金资助项目(YDZJSX20231A057);山西省重点研发计划项目(201903D121160);山西省自然科学基金资助项目(202203021211333);山西省研究生科研创新项目(2023KY505)

Image denoising network based on local and global feature decoupling

Yuwei DING¹, Hongbo SHI¹(), Jie LI¹^,², Min LIANG¹

^1.School of Information，Shanxi University of Finance and Economics，Taiyuan Shanxi 030006，China
^2.Shanxi Provincial Key Laboratory of Economic Big Data （ Shanxi University of Finance and Economics），Taiyuan Shanxi 030006，China

Received:2023-08-23 Revised:2023-11-01 Accepted:2023-11-14 Online:2024-08-22 Published:2024-08-10
Contact: Hongbo SHI
About author:DING Yuwei， born in 1998， M. S. candidate. His research interests include machine learning， image processing.
LI Jie， born in 1986， Ph. D.， associate professor. His research interests include computer vision， image processing.
LIANG Min， born in 1979， Ph. D.， associate professor. Her research interests include image processing， pattern recognition.
Supported by:
Central Guiding Local Science and Technology Development Fund(YDZJSX20231A057);Key Research and Development Program of Shanxi Province(201903D121160);Natural Science Foundation of Shanxi Province(202203021211333);Graduate Research Innovation Project of Shanxi Province(2023KY505)

摘要/Abstract

摘要：

针对当前基于Transformer的图像去噪算法侧重于捕获图像的全局特征，而忽视局部特征对于恢复图像细节关键作用的问题，提出一种基于局部和全局特征解耦的图像去噪网络。该网络包含2个基于混合Transformer模块（HTB）的多尺度分支和1个基于卷积神经网络（CNN）的单尺度分支，旨在将HTB强大的全局建模能力与CNN的局部建模优势有机结合，生成上下文信息丰富且空间细节准确的输出。HTB采用自注意力机制自适应地对空间和通道维度的依赖关系建模，以激活范围更广的输入像素进行重建。鉴于不同分支间可能存在的信息冲突，设计特征传递模块，通过跨分支传递全局特征并抑制低频信息，从而确保各分支间的协同作用。实验结果表明，在真实世界图像数据集SIDD上，与基于Transformer的去噪网络Uformer相比，所提网络的峰值信噪比（PSNR）提高了0.09 dB，结构相似度（SSIM）提高了0.001；在合成图像数据集Urban100上，与多阶段去噪网络MSPNet（Multi-Stage Progressive denoising Network）相比，所提网络的平均PSNR提高了0.41 dB。可见，所提网络能有效去除图像噪声，并重建出更精细的纹理细节。

关键词: Transformer, 图像去噪, 全局特征, 局部特征, 特征解耦

Abstract:

Concerning the problem that current Transformer-based algorithms focus on capturing the global features of images， but ignore the key role of local features to restore image details， an image denoising network based on local and global feature decoupling was proposed. The proposed network included two multi-scale branches based on Hybrid Transformer Block （HTB） and a single-scale branch based on Convolutional Neural Network （CNN）， aiming at combining powerful global modeling capability of HTB with local modeling advantage of HTB， and yielding outputs with enriched contextual information and precise spatial details. Within the HTB， self-attention mechanism was employed to adaptively model spatial- and channel-dimensional dependencies， activating a wider range of input pixels for reconstruction. Given the potential information conflicts across different branches， feature transfer block was designed to facilitate cross-branch propagation of global features and suppress low-frequency information， thereby ensuring collaborative interactions among the branches. Experimental results showed that： on the real-world image dataset SIDD， compared with Transformer-based denoising network Uformer， the proposed network improved Peak Signal-to-Noise Ratio （PSNR） by 0.09 dB and Structural SIMilarity （SSIM） by 0.001； on the synthetic image dataset Urban100， compared with multi-stage denoising network MSPNet （Multi-Stage Progressive denoising Network）， the average PSNR of the proposed network was improved by 0.41 dB. It can be seen that the proposed network effectively removes image noise and reconstructs finer texture details.

Key words: Transformer, image denoising, global feature, local feature, feature decoupling

中图分类号:

TP391.4

丁宇伟, 石洪波, 李杰, 梁敏. 基于局部和全局特征解耦的图像去噪网络[J]. 计算机应用, 2024, 44(8): 2571-2579.

Yuwei DING, Hongbo SHI, Jie LI, Min LIANG. Image denoising network based on local and global feature decoupling[J]. Journal of Computer Applications, 2024, 44(8): 2571-2579.

图/表 15

图1 LGDNet整体结构

Fig. 1 Overall structure of LGDNet

图2 自注意力机制

Fig. 2 Self-attention mechanism

图3 通道注意力模块

Fig. 3 Channel attention block

表1 不同方法在真实世界图像数据集上的去噪结果

Tab. 1 Denoising results of different methods on real-world image datasets

方法	DND		SIDD
方法	PSNR/dB	SSIM	PSNR/dB	SSIM
CBM3D^［2］	34.51	0.851	25.65	0.685
DnCNN^［4］	32.43	0.790	23.66	0.583
CBDNet^［31］	38.06	0.942	30.78	0.801
RIDNet^［5］	39.26	0.953	38.71	0.951
MIRNet^［6］	39.88	0.956	39.72	0.959
MPRNet^［19］	39.80	0.954	39.71	0.958
MSANet^［32］	39.65	0.955	39.56	0.912
MSPNet^［9］	39.75	0.954	39.78	0.959
MIRNet-v2^［10］	39.86	0.955	39.84	0.959
Uformer^［14］	39.96	0.956	39.77	0.959
ADFNet^［33］	39.87	0.955	39.79	0.960
LGDNet	40.10	0.956	39.86	0.960

图4 不同方法在DND数据集上的去噪可视化结果

Fig. 4 Denoising visualization results of different methods on DND dataset

表2 不同方法在合成彩色图像数据集上的去噪结果

Tab. 2 Denoising results of different methods on synthetic color image datasets

方法	CBSD68			Urban100			Kodak24
方法	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$
CBM3D^［2］	29.73	27.38	26.00	30.36	27.95	26.31	30.89	28.63	27.27
DnCNN^［4］	30.40	28.01	26.56	30.28	28.16	26.17	31.39	29.16	27.64
RDN^［18］	30.67	28.31	26.85	31.69	29.29	27.63	31.94	29.66	28.20
MSPNet^［9］	30.76	28.47	27.03	31.64	29.40	27.66	31.99	29.74	28.34
MDRN^［34］	30.61	28.27	26.82	31.41	29.00	27.37	31.73	29.44	28.01
MSANet^［32］	30.67	28.36	29.96	N/A	N/A	N/A	31.78	29.57	28.17
PANet^［35］	30.70	28.33	26.89	31.87	29.47	27.87	31.96	29.65	28.20
LGDNet	30.79	28.50	27.04	31.98	29.78	28.05	32.02	29.76	28.37

表2 不同方法在合成彩色图像数据集上的去噪结果

Tab. 2 Denoising results of different methods on synthetic color image datasets

方法	CBSD68			Urban100			Kodak24
方法	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$
CBM3D^［2］	29.73	27.38	26.00	30.36	27.95	26.31	30.89	28.63	27.27
DnCNN^［4］	30.40	28.01	26.56	30.28	28.16	26.17	31.39	29.16	27.64
RDN^［18］	30.67	28.31	26.85	31.69	29.29	27.63	31.94	29.66	28.20
MSPNet^［9］	30.76	28.47	27.03	31.64	29.40	27.66	31.99	29.74	28.34
MDRN^［34］	30.61	28.27	26.82	31.41	29.00	27.37	31.73	29.44	28.01
MSANet^［32］	30.67	28.36	29.96	N/A	N/A	N/A	31.78	29.57	28.17
PANet^［35］	30.70	28.33	26.89	31.87	29.47	27.87	31.96	29.65	28.20
LGDNet	30.79	28.50	27.04	31.98	29.78	28.05	32.02	29.76	28.37

图5 不同方法在Kodak24数据集上的去噪可视化结果

Fig. 5 Denoising visualization results of different methods on Kodak24 dataset

表3 不同方法在合成灰度图像数据集上的去噪结果

Tab. 3 Denoising results of different methods on synthetic grayscale image datasets

方法	BSD68			Urban100			Kodak24
方法	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$
BM3D^［3］	27.76	25.62	24.44	28.75	25.95	24.27	29.13	26.99	25.73
DnCNN^［4］	28.36	26.23	24.90	28.88	26.28	24.36	29.62	27.51	26.08
RNAN^［36］	28.61	26.48	25.18	30.20	27.65	25.89	30.04	27.93	26.60
RDN^［18］	28.58	26.43	25.12	30.08	27.47	25.71	30.02	27.88	26.57
MDRN^［34］	N/A	26.44	N/A	N/A	27.31	N/A	N/A	N/A	N/A
MSPNet^［9］	28.64	26.55	25.31	30.09	27.64	25.98	30.06	28.01	26.59
MSANet^［32］	28.61	26.51	25.25	N/A	N/A	N/A	29.91	27.81	26.54
LGDNet	28.68	26.58	25.31	30.45	28.14	26.44	30.08	28.04	26.77

表3 不同方法在合成灰度图像数据集上的去噪结果

Tab. 3 Denoising results of different methods on synthetic grayscale image datasets

方法	BSD68			Urban100			Kodak24
方法	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$	$σ = 30$	$σ = 50$	$σ = 70$
BM3D^［3］	27.76	25.62	24.44	28.75	25.95	24.27	29.13	26.99	25.73
DnCNN^［4］	28.36	26.23	24.90	28.88	26.28	24.36	29.62	27.51	26.08
RNAN^［36］	28.61	26.48	25.18	30.20	27.65	25.89	30.04	27.93	26.60
RDN^［18］	28.58	26.43	25.12	30.08	27.47	25.71	30.02	27.88	26.57
MDRN^［34］	N/A	26.44	N/A	N/A	27.31	N/A	N/A	N/A	N/A
MSPNet^［9］	28.64	26.55	25.31	30.09	27.64	25.98	30.06	28.01	26.59
MSANet^［32］	28.61	26.51	25.25	N/A	N/A	N/A	29.91	27.81	26.54
LGDNet	28.68	26.58	25.31	30.45	28.14	26.44	30.08	28.04	26.77

图6 不同方法在BSD68数据集上的去噪可视化结果

Fig. 6 Denoising visualization results of different methods on BSD68 dataset

图7 模型不同分支的综合性能测试结果

Fig. 7 Comprehensive performance test results of different branches of model

图8 不同分支的去噪可视化结果

Fig. 8 Denoising visualization results of different branches

表4 不同模块对去噪性能的影响

Tab. 4 Effects of different modules on denoising performance

模型	S-A	C-A	多阶段	Local	FTB	PSNR/dB
$M 0$	$×$	$√$	$×$	$×$	$×$	29.26
$M 1$	$√$	$×$	$×$	$×$	$×$	29.30
$M 2$	$√$	$√$	$×$	$×$	$×$	26.36
$M 3$	$√$	$√$	$√$	$×$	$×$	26.38
$M 4$	$√$	$√$	$√$	$√$	$×$	26.42
LGDNet	$√$	$√$	$√$	$√$	$√$	26.44

表4 不同模块对去噪性能的影响

Tab. 4 Effects of different modules on denoising performance

模型	S-A	C-A	多阶段	Local	FTB	PSNR/dB
$M 0$	$×$	$√$	$×$	$×$	$×$	29.26
$M 1$	$√$	$×$	$×$	$×$	$×$	29.30
$M 2$	$√$	$√$	$×$	$×$	$×$	26.36
$M 3$	$√$	$√$	$√$	$×$	$×$	26.38
$M 4$	$√$	$√$	$√$	$√$	$×$	26.42
LGDNet	$√$	$√$	$√$	$√$	$√$	26.44

表5 不同分支和模块组合的性能比较

Tab. 5 Performance comparison of different branches and module combinations

模型	分支数	网络类型	HTB	CAB	PSNR/dB
$B 0$	1	U-Net	$√$	$×$	26.12
$B 1$	1	Local	$√$	$×$	26.05
$B 2$	2	U-Nets	$√$	$√$	26.27
$B 3$	2	U-Net+Local	$√$	$√$	26.30
$B 4$	3	U-Net+Locals	$√$	$√$	26.39
$B 5$	3	U-Nets+Local	$√$	$√$	26.44

表5 不同分支和模块组合的性能比较

Tab. 5 Performance comparison of different branches and module combinations

模型	分支数	网络类型	HTB	CAB	PSNR/dB
$B 0$	1	U-Net	$√$	$×$	26.12
$B 1$	1	Local	$√$	$×$	26.05
$B 2$	2	U-Nets	$√$	$√$	26.27
$B 3$	2	U-Net+Local	$√$	$√$	26.30
$B 4$	3	U-Net+Locals	$√$	$√$	26.39
$B 5$	3	U-Nets+Local	$√$	$√$	26.44

图9 LGDNet中不同参数设置的消融研究

Fig. 9 Ablation study of different parameter settings in LGDNet

表6 不同去噪方法的综合性能对比

Tab. 6 Comprehensive performance comparison of different denoising methods

方法	参数量/10⁶	FLOPs/10⁹	PSNR/dB
MSPNet^［9］	54.6	298.0	39.75
MIRNet^［6］	31.8	1 572.0	39.88
MPRNet^［19］	20.1	1 176.0	39.80
SwinIR^［12］	11.8	788.6	40.01
Restormer^［13］	26.1	155.0	40.03
MAXIM^［37］	22.2	339.2	39.84
LGDNet	18.3	340.2	40.10

参考文献 37

1	张雯雯，韩裕生. 基于非局部自相似性的低秩稀疏图像去噪［J］. 计算机应用， 2018， 38（9）： 2696-2700， 2746.
	ZHANG W W， HAN Y S. Nonlocal self-similarity based low-rank sparse image denoising［J］. Journal of Computer Applications， 2018， 38（9）： 2696-2700， 2746.
2	DABOV K， FOI A， KATKOVNIK V， et al. Color image denoising via sparse 3D collaborative filtering with grouping constraint in luminance-chrominance space ［C］// Proceedings of the 2007 IEEE International Conference on Image Processing. Piscataway： IEEE， 2007： 313-316.
3	DABOV K， FOI A， KATKOVNIK V， et al. Image denoising by sparse 3-D transform-domain collaborative filtering［J］.IEEE Transactions on Image Processing， 2007， 16（8）： 2080-2095.
4	ZHANG K， ZUO W， CHEN Y， et al. Beyond a Gaussian denoiser： residual learning of deep CNN for image denoising［J］.IEEE Transactions on Image Processing， 2017， 26（7）： 3142-3155.
5	ANWAR S， BARNES N. Real image denoising with feature attention［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway：IEEE， 2019： 3155-3164.
6	ZAMIR S W， ARORA A， KHAN S， et al. Learning enriched features for real image restoration and enhancement［C］// Proceedings of the 16th European Conference on Computer Vision. Cham：Springer， 2020： 492-511.
7	靳华中，张修洋，叶志伟，等. 基于近似U型网络结构的图像去噪模型［J］. 计算机应用， 2022， 42（8）： 2571-2577.
	JIN H Z， ZHANG X Y， YE Z W， et al. Image denoising model based on approximate U-shaped network structure［J］. Journal of Computer Applications， 2022， 42（8）： 2571-2577.
8	盖杉，鲍中运.基于深度学习的高噪声图像去噪算法［J］.自动化学报， 2020， 46（12）： 2672-2680.
	GAI S， BAO Z Y. High noise image denoising algorithm based on deep learning［J］. Acta Automatica Sinica， 2020， 46（12）： 2672-2680.
9	BAI Y， LIU M， YAO C， et al. MSPNet： multi-stage progressive network for image denoising［J］. Neurocomputing， 2023， 517： 71-80.
10	ZAMIR S W， ARORA A， KHAN S， et al. Learning enriched features for fast image restoration and enhancement［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 45（2）： 1934-1948.
11	CHEN H， WANG Y， GUO T， et al. Pre-trained image processing transformer［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway：IEEE， 2021： 12294-12305.
12	LIANG J， CAO J， SUN G， et al. SwinIR： image restoration using swin Transformer［C］// Proceedings of the 2021 IEEE International Conference on Computer Vision Workshops. Piscataway：IEEE， 2021： 1833-1844.
13	ZAMIR S W， ARORA A， KHAN S， et al. Restormer： efficient transformer for high-resolution image restoration［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 5718-5729.
14	WANG Z， CUN X， BAO J， et al. Uformer： a general U-shaped Transformer for image restoration［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 17662-17672.
15	YIN H， MA S. CSformer： cross-scale features fusion based transformer for image denoising［J］. IEEE Signal Processing Letters， 2022， 29： 1809-1813.
16	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway：IEEE， 2018： 7132-7141.
17	CHEN X， WANG X， ZHOU J， et al. Activating more pixels in image super-resolution transformer［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 22367-22377.
18	ZHANG Y， TIAN Y， KONG Y， et al. Residual dense network for image restoration［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（7）： 2480-2495.
19	ZAMIR S W， ARORA A， KHAN S， et al. Multi-stage progressive image restoration［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway： IEEE， 2021： 14816-14826.
20	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： hierarchical vision Transformer using shifted windows［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002.
21	SHAW P， USZKOREIT J， VASWANI A. Self-attention with relative position representations［EB/OL］. （2018-04-12）［2023-07-20］. .
22	ABDELHAMED A， LIN S， BROWN M S. A high-quality denoising dataset for smartphone cameras［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 1692-1700.
23	PLÖTZ T， ROTH S. Benchmarking denoising algorithms with real photographs［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway：IEEE， 2017： 2750-2759.
24	AGUSTSSON E， TIMOFTE R. NTIRE 2017 challenge on single image super-resolution： dataset and study［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017： 1122-1131.
25	LIM B， SON S， KIM H， et al. Enhanced deep residual networks for single image super-resolution［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway：IEEE， 2017： 1132-1140.
26	MA K， DUANMU Z， WU Q， et al. Waterloo exploration database： new challenges for image quality assessment models［J］. IEEE Transactions on Image Processing， 2017， 26（2）： 1004-1016.
27	ARBELÁEZ P， MAIRE M， FOWLKES C， et al. Contour detection and hierarchical image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（5）： 898-916.
28	MARTIN D， FOWLKES C， TAL D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics［C］// Proceedings of the 8th IEEE International Conference on Computer Vision. Piscataway： IEEE， 2001： 416-423.
29	HUANG J-B， SINGH A， AHUJA N. Single image super-resolution from transformed self-exemplars［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2015： 5197-5206.
30	FRANZEN R. Kodak lossless true color image suite［EB/OL］. （2013-01-27）［2023-08-01］. .
31	GUO S， YAN Z， ZHANG K， et al. Toward convolutional blind denoising of real photographs［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway： IEEE， 2019： 1712-1722.
32	GOU Y， HU P， LV J， et al. Multi-scale adaptive network for single image denoising［EB/OL］. （2022-03-08）［2023-07-01］. .
33	SHEN H， ZHAO Z-Q， ZHANG W. Adaptive dynamic filtering network for image denoising［C］// Proceedings of the 37th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2023： 2227-2235.
34	LI J， YANG H， YI Q， et al. Multiple degradation and reconstruction network for single image denoising via knowledge distillation［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 555-566.
35	MEI Y， FAN Y， ZHANG Y， et al. Pyramid attention network for image restoration［J］. International Journal of Computer Vision， 2023， 131： 3207-3225.
36	ZHANG Y， LI K， LI K， et al. Residual non-local attention networks for image restoration［EB/OL］. （2019-03-24）［2023-07-01］. .
37	TU Z， TALEBI H， ZHANG H， et al. MAXIM： multi-axis MLP for image processing［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 5759-5770.

[1]	贾洁茹, 杨建超, 张硕蕊, 闫涛, 陈斌. 基于自蒸馏视觉Transformer的无监督行人重识别[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2893-2902.
[2]	徐志刚, 张创. 基于门控位置编码的壁画图像多级色彩还原[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2931-2937.
[3]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[4]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[5]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[6]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[7]	李金金, 桑国明, 张益嘉. APK-CNN和Transformer增强的多域虚假新闻检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2674-2682.
[8]	邓凯丽, 魏伟波, 潘振宽. 改进掩码自编码器的工业缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2595-2603.
[9]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[10]	李大海, 王忠华, 王振东. 结合空间域和频域信息的双分支低光照图像增强网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2175-2182.
[11]	吕锡婷, 赵敬华, 荣海迎, 赵嘉乐. 基于Transformer和关系图卷积网络的信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1760-1766.
[12]	黎施彬, 龚俊, 汤圣君. 基于Graph Transformer的半监督异配图表示学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1816-1823.
[13]	黄梦源, 常侃, 凌铭阳, 韦新杰, 覃团发. 基于层间引导的低光照图像渐进增强算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1911-1919.
[14]	孙子文, 钱立志, 杨传栋, 高一博, 陆庆阳, 袁广林. 基于Transformer的视觉目标跟踪方法综述[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1644-1654.
[15]	席治远, 唐超, 童安炀, 王文剑. 基于双路时空网络的驾驶员行为识别[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1511-1519.

基于局部和全局特征解耦的图像去噪网络

Image denoising network based on local and global feature decoupling

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 37

相关文章 15

编辑推荐

Metrics