小波卷积网络Multi-level Wavelet-CNN for Image Restoration论文阅读笔记

最新推荐文章于 2025-12-11 23:03:55 发布

原创

最新推荐文章于 2025-12-11 23:03:55 发布 · 1.2w 阅读

本文提出了一种名为多级小波卷积神经网络（MWCNN）的新模型，旨在解决低水平视觉任务中感受野大小与计算效率之间的权衡问题。MWCNN基于U-Net架构，通过引入小波变换替代池化操作，以保持信息的同时扩大感受野。在收缩子网中，DWT用于减小特征图尺寸，而在扩展子网中，利用IWT进行上采样。实验表明，MWCNN在图像去噪、单图像超分辨率和JPEG伪影去除等方面表现出色，有效平衡了性能和效率。MWCNN优于传统方法，如扩张滤波，能更有效地扩大感受野，避免网格效应，提高恢复性能。

论文链接：Multi-level Wavelet-CNN for Image Restoration | IEEE Conference Publication | IEEE Xplorexx

论文来源：CVPRW2018

项目地址：GitHub - lpj0/MWCNN: Multi-level Wavelet-CNN for Image Restoration（matlab）GitHub - lpj-github-io/MWCNNv2: Multi-level Wavelet Convolutional Neural Networks（python）

作者团队：哈工大

Abstract

在低水平视觉中，感受野大小和效率之间的权衡是一个至关重要的问题。普通卷积网络（CNN）通常以牺牲计算成本为代价来扩大感受野。最近，扩张滤波被用来解决这个问题。但它受到网格效应的影响，产生的感受野只是带有棋盘格图案的输入图像的稀疏采样。在本文中，我们提出了一种新的多层小波CNN（MWCNN）模型，以更好地权衡感受野大小和计算效率。在改进的U-Net结构下，引入小波变换来减小收缩子网中特征图的大小。此外，进一步使用另一卷积层来减少特征图的通道。在扩展的子网络中，利用小波逆变换重构高分辨率特征图。我们的MWCNN也可以解释为扩展滤波和下采样的推广，并且可以应用于许多图像恢复任务。实验结果清楚地表明了MWCNN在图像去噪、单图像超分辨率和JPEG图像伪影去除方面的有效性。