摘要
在图像去噪任务中，深度卷积神经网络（CNN）在去除空间不变噪声方面表现出良好的性能。然而，许多现有网络在处理图像采集或传输过程中产生的真实噪声（即空间变异性噪声）时表现不佳，这严重限制了其在实际图像去噪应用中的推广。与不断加深网络结构的策略不同，众多研究者发现，扩展网络宽度同样是一种有效提升模型性能的途径。此外，已有研究证实，特征滤波有助于增强模型的学习能力。基于此，本文提出一种新型的双分支残差注意力网络（Dual-branch Residual Attention Network, DRANet），兼具宽网络架构的优势与注意力引导的特征学习能力。所提出的DRANet包含两条结构不同的并行分支，能够捕获互补的特征信息，从而增强模型的表征能力。针对上支路和下支路，我们分别设计了新型残差注意力模块（Residual Attention Block, RAB）与混合空洞残差注意力模块（Hybrid Dilated Residual Attention Block, HDRAB）。RAB与HDRAB通过不同卷积层之间的多重跳跃连接，有效捕捉丰富的局部特征，同时利用残差注意力机制抑制冗余或不重要的特征。此外，各分支内部的长距离跳跃连接，以及两条并行分支之间的全局特征融合机制，有助于模型捕获更具代表性的全局上下文信息。为进一步扩大感受野，提升对图像上下文信息的建模能力，DRANet引入了下采样操作与空洞卷积。大量实验结果表明，相较于当前主流的先进去噪方法，所提出的DRANet在合成噪声与真实世界噪声去除任务中均能实现具有竞争力的去噪性能，展现出优异的泛化能力与实用性。