代码

Multi-stage progressive image restoration

摘要：作者提出了多阶段架构，逐步学习目标函数。具体来说，作者首先使用编码器解码器架构学习上下文特征，然后在保持局部信息的高分辨率分支融合它们。在每个阶段，作者引入了像素自适应设计，该设计利用监督注意力重新加权局部特征。这种多阶段架构的一个关键要素是不同阶段之间的信息交换。为此，我们提出了一种双向方法，其中信息不仅从早期到晚期依次交换，而且特征处理块之间还存在横向连接，以避免任何信息丢失。由此产生的紧密链接的多阶段体系结构称为MPRNet。

引言

图像恢复是个不适定问题，为了限制解空间，通常会根据经验设计先验，但是设计这种先验知识是一种挑战。为了缓解这个问题，现在大多数方法都使用卷积神经网络从大规模数据中学习普遍的先验知识。

CNN方法超越其他方法主要是源于模型设计。常见的模型设计方法有递归残差学习、扩展卷积、注意力机制、密集连接、编码器-解码器、生成模型。所有低水平视觉问题都是基于单阶段设计，相比于高层次视觉问题（比如说 姿势估计、场景解析、动作分割），几乎都是多阶段的网络模型。

最近很少有人在图像恢复领域应用多级设计。作者分析了为什么会出现这种情况。首先多阶段技术常用于编码-解

总结

以上是生活随笔为你收集整理的Multi-Stage Progressive Image Restoration的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。