一、论文
《Learning Enriched Features for Real Image Restoration and Enhancement》
摘要：以从降级版本中恢复高质量图像内容为目标，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是一个多尺度残差块，其中包含几个关键元素：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和 渠道关注机制来捕获上下文信息，以及（d）基于关注的多尺度特征聚合。 简而言之，我们的方法学习了一组丰富的功能，这些功能结合了来自多个尺度的上下文信息，同时保留了高分辨率的空间细节。 在五个真实的图像基准数据集上进行的大量实验表明，我们的方法名为MIRNet，可针对各种图像处理任务（包括图像去噪，超分辨率和图像增强）获得最先进的结果。
我们在这项工作中的主要贡献包括：
一种新颖的特征提取模型，可在多个空间尺度上获得一组互补的特征，同时保留原始的高分辨率特征以保留精确的空间细节。
一种定期重复的信息交换机制，其中的特征 跨多分辨率分支逐渐融合在一起，以改进表示学习。
一种使用选择性内核网络融合多尺度特征的新方法，该网络动态地组合可变的接收场，并在每个空间分辨率下忠实地保留原始特征信息。
递归残差设计可逐步分解输入信号，以简化整个学习过程，并允许构建非常深的网络。
在五个真实的图像基准数据集上针对不同的图像处理任务（包括图像去噪，超分辨率和图像增强）进行了全面的实验。 我们的方法在所有五个数据集上都获得了结果状态。 此外，我们针对实际挑战（例如跨数据集的泛化能力）广泛评估了我们的方法。
二、网络结构
图1：拟议的网络MIRNet的框架，该框架学习用于图像恢复和增强的丰富特征表示。 MIRNet基于递归残差设计。 MIRNet的核心是多尺度残差块（MRB），其主要分支专用于通过整个网络维护空间精确的高分辨率表示，并且并行分支的互补集合提供了更好的上下文相关功能。 它还允许通过选择性内核特征融合（SKFF）在并行流之间交换信息，以便在低分辨率特征的帮助下合并高分辨率特征，反之亦然。
