摘要
近年来，基于注意力机制的网络在图像恢复任务中取得了显著成功。然而，现有方法普遍存在计算成本过高或感受野受限的问题，对模型性能造成了制约。此外，这些方法在空间与上下文建模方面鲁棒性不足，且缺乏像素级的对应关系，可能导致特征表示能力下降。为此，本文提出一种新颖且计算高效的单阶段自适应多注意力网络（Single Stage Adaptive Multi-Attention Network, SSAMAN），专用于图像恢复任务，尤其在图像去噪与图像去模糊方面表现突出。SSAMAN有效缓解了计算复杂性问题，同时显著扩展了感受野，增强了空间与上下文特征表示的鲁棒性。其核心模块——自适应多注意力模块（Adaptive Multi-Attention Module, AMAM），由自适应像素注意力分支（Adaptive Pixel Attention Branch, APAB）与自适应通道注意力分支（Adaptive Channel Attention Branch, ACAB）构成，创新性地融合了通道维度与像素级维度的注意力机制，显著提升了对边缘、形状及纹理等细节的敏感度。我们通过大量实验与消融研究验证了SSAMAN的有效性。实验结果表明，该模型在多个基准数据集上均达到当前最优水平：在图像去噪任务中，SSAMAN在SIDD数据集上取得了40.08 dB的PSNR，较Restormer提升0.06 dB，同时计算成本降低41.02%；在DND数据集上达到40.05 dB的PSNR。在图像去模糊任务中，SSAMAN在GoPro数据集上实现33.53 dB的PSNR。相关代码与模型已开源，可通过GitHub获取。