摘要
在图像恢复任务中，如去噪和超分辨率，连续调节恢复水平对于实际应用至关重要，但现有的大多数基于深度学习的图像恢复方法在这方面表现不佳。由于从离散且固定的恢复水平进行学习，深度模型难以推广到连续且未知的数据水平。这一主题在文献中很少被涉及，主要是因为调整具有特定超参数的已训练模型存在较大难度。我们通过提出一个统一的卷积神经网络（CNN）框架向前迈进了一步，该框架相较于单级模型仅增加了少量额外参数，却能够处理起始和结束水平之间的任意恢复水平。这个额外模块被称为自适应特征修改（AdaFM）层，它执行通道级别的特征修改，并能以高精度将模型适应到另一个恢复水平。通过简单调整插值系数，中间模型——AdaFM-Net可以生成平滑且连续的恢复效果而不会产生伪影。我们在三个图像恢复任务上进行了广泛的实验，证明了模型训练和调制测试的有效性。此外，我们仔细研究了AdaFM层的特性，为所提方法的使用提供了详细的指导。