HINet: Half Instance Normalization Network für die Bildrestaurierung

In diesem Paper untersuchen wir die Rolle der Instanznormalisierung bei Aufgaben des niedrigen Levels in der Bildverarbeitung. Speziell stellen wir einen neuen Baustein vor: den Half Instance Normalization Block (HIN-Block), um die Leistungsfähigkeit von Bildrekonstruktionsnetzwerken zu steigern. Auf Basis des HIN-Blocks entwerfen wir ein einfaches und leistungsstarkes mehrstufiges Netzwerk namens HINet, das aus zwei Subnetzwerken besteht. Mit Hilfe des HIN-Blocks übertrifft HINet den Stand der Technik (SOTA) bei verschiedenen Aufgaben der Bildrekonstruktion. Bei der Bildrauschunterdrückung erreichen wir auf dem SIDD-Datensatz eine Verbesserung um 0,11 dB und 0,28 dB im PSNR, wobei lediglich 7,5 % bzw. 30 % der Multiplier-Accumulator-Operationen (MACs) des Vergleichsnetzwerks benötigt werden, was einer Beschleunigung um das 6,8- bzw. 2,9-fache entspricht. Bei der Bildunschärfung erzielen wir vergleichbare Ergebnisse mit nur 22,5 % der MACs und einer Beschleunigung um das 3,3-fache auf den Datensätzen REDS und GoPro. Bei der Bildregenentfernung überbieten wir den SOTA um 0,3 dB im durchschnittlichen PSNR über mehrere Datensätze hinweg, wobei eine 1,4-fache Geschwindigkeitssteigerung erreicht wird. Mit HINet gewannen wir den 1. Platz beim NTIRE 2021 Image Deblurring Challenge – Track2 mit einem PSNR von 29,70. Der Quellcode ist unter https://github.com/megvii-model/HINet verfügbar.