LIR: Efficient Degradation Removal for Lightweight Image Restoration

要約

近年、CNNと変換器に基づく画像復元が大きく進歩している。しかし、画像復元というタスクの本質的な特性は、多くの研究において見落とされがちである。これらの研究では、基本ブロックの設計に焦点を当て、モデルに多数の基本ブロックを積み重ねることが多く、冗長なパラメータや不要な計算を引き起こし、画像復元の効率を妨げている。本論文では、劣化（ぼやけ、雨、ノイズ、霞など）を効率的に除去するために、LIRと呼ばれる軽量画像復元ネットワークを提案する。LIRの重要なコンポーネントは、適応フィルタとアテンションブロックから構成されるEAA（Efficient Adaptive Attention）ブロックである。EAAブロックは、様々な画像復元シーンにおいて、効率的かつ計算負荷の少ない方法で、適応的に輪郭をシャープにし、劣化を除去し、大域的な情報を取り込むことができる。さらに、シンプルな構造設計により、LIRは、最新のネットワークでは無視される局所的および大域的な残差接続に存在する劣化に対処する。広範な実験により、我々のLIRは、より少ないパラメータと計算で、ほとんどのベンチマークにおいて、最先端のネットワークに匹敵する性能を達成することが実証された。我々のLIRは、人間の美的感覚により近い、最先端のネットワークよりも優れた視覚的結果をもたらすことは注目に値する。

要約(オリジナル)

Recently, there have been significant advancements in Image Restoration based on CNN and transformer. However, the inherent characteristics of the Image Restoration task are often overlooked in many works. These works often focus on the basic block design and stack numerous basic blocks to the model, leading to redundant parameters and unnecessary computations and hindering the efficiency of the image restoration. In this paper, we propose a Lightweight Image Restoration network called LIR to efficiently remove degradation (blur, rain, noise, haze, etc.). A key component in LIR is the Efficient Adaptive Attention (EAA) Block, which is mainly composed of Adaptive Filters and Attention Blocks. It is capable of adaptively sharpening contours, removing degradation, and capturing global information in various image restoration scenes in an efficient and computation-friendly manner. In addition, through a simple structural design, LIR addresses the degradations existing in the local and global residual connections that are ignored by modern networks. Extensive experiments demonstrate that our LIR achieves comparable performance to state-of-the-art networks on most benchmarks with fewer parameters and computations. It is worth noting that our LIR produces better visual results than state-of-the-art networks that are more in line with the human aesthetic.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL