.png){kind=icon}
返回
Large Kernel Network for Efficient Image Restoration
.png){kind=icon}
PRE
AI
DOI：10.1109/tip.2026.3740273.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对大感受野的追求塑造了计算机视觉框架的演变，从卷积神经网络（CNN）到Transformer和Mamba。近期，大核操作为CNN注入了新的活力，使其再次具备竞争力，并在多样化的视觉任务中得以广泛应用。然而，扩大核尺寸不可避免地导致参数量和计算开销的显著增长。因此，现有方法通常局限于小核，或转而采用解耦设计来处理大核。在本文中，我们受图像修复模型中观察到的通道冗余启发，提出了一种简单高效的大核网络用于图像修复，命名为ArtIR。具体而言，ArtIR将自适应大核操作应用于一个坍缩的单通道，并采用超轻量级的通道注意力机制来恢复通道多样性。为补充局部特征，我们进一步引入一个大核融合模块，以整合多尺度信息。与大多数先前仅关注狭窄修复任务的方法不同，我们全面评估了ArtIR在单降级、全一式和复合降级场景下的表现。除了通用修复，我们还评估了模型在超高清修复、医学成像和遥感等特定领域应用中的性能。大量实验表明，ArtIR在保持高效率和快速推理的同时，达到了最先进的性能。
Keyword:
Image restoration
efficient network
all-in-one image restoration
composite degradation
large kernel
查看更多机构