CascadedGaze：面向图像修复的全局上下文提取高效方法

图像恢复任务传统上依赖于卷积神经网络（Convolutional Neural Networks, CNNs）。然而，由于卷积操作具有局部性特征，这类方法在捕捉全局信息方面存在局限。Transformer架构中引入的注意力机制虽有望克服这一瓶颈，但其带来的计算开销极为庞大。近年来，众多图像恢复研究致力于通过改进的Transformer结构，在性能与计算成本之间实现更优平衡。本文提出一种名为级联凝视网络（CascadedGaze Network, CGNet）的编码器-解码器架构，该架构引入了一种新颖且高效的全局上下文提取模块（Global Context Extractor, GCE），用于在图像恢复任务中有效捕获全局信息。GCE模块通过在卷积层中使用小尺寸卷积核来学习全局依赖关系，无需依赖自注意力机制。大量实验结果表明，所提出的计算高效方法在合成图像去噪和单幅图像去模糊任务上，性能可与多种先进方法相媲美；同时，在真实图像去噪任务中，进一步突破了现有方法的性能上限。