级联离散小波多频带分解注意力图像去噪方法

作     者：王力 李小霞 秦佳敏 朱贺 周颖玥 Wang Li;Li Xiaoxia;Qin Jiamin;Zhu He;Zhou Yingyue

作者机构：西南科技大学信息工程学院四川绵阳621010 四川省工业自主可控人工智能工程技术研究中心四川绵阳621010 四川绵阳四0四医院四川绵阳621000 

出 版 物：《计算机应用研究》 (Application Research of Computers)

年 卷 期：2024年第41卷第1期

页      面：288-295页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金资助项目(62071399) 四川省科技计划资助项目(2023YFG0262,2021YFG0383) 

主　　题：图像去噪 高频信息 级联离散小波变换 多频带特征增强 多频带分解注意力 

摘      要：针对图像去噪网络中下采样导致高频信息损失和细节保留能力差的问题,设计了一种级联离散小波多频带分解注意力图像去噪网络。其中多尺度级联离散小波变换结构将原始图像分解为多个尺度下的高低频子带来代替传统下采样,能减少高频信息损失。多频带特征增强模块使用不同尺度的卷积核并行处理高低频特征,在子网络每一级下重复使用两次,可增强全局和局部的关键特征信息。多频带分解注意力模块通过注意力评估纹理细节成分的重要性并加权不同频带的细节特征,有助于多频带特征增强模块更好地区分噪声和边缘细节。多频带选择特征融合模块融合多尺度多频带特征增强选择性特征,提高模型对于不同尺度噪声的去除能力。在SIDD和DND数据集上,所提方法的PSNR/SSIM指标分别达到了39.35 dB/0.918、39.72 dB/0.955。实验结果表明,该方法的性能优于主流去噪方法,同时具有更清晰的纹理细节和边缘等视觉效果。