Lernende, reichhaltige Merkmale über einen selektiven Zustandsraummodell für eine effiziente Bildunschärfebeseitigung

Die Bildunschärfung zielt darauf ab, ein hochwertiges Bild aus seinem entsprechenden verschwommenen Eingabebild wiederherzustellen. Durch den Aufstieg von Convolutional Neural Networks (CNNs) und Transformers konnten erhebliche Fortschritte erzielt werden. Dennoch stehen diese Methoden oft vor der Dilemma, langreichweitige Degradationsstörungen effektiv zu eliminieren, ohne die rechnerische Effizienz zu beeinträchtigen. Während der selektive Zustandsraummodell (Selective State Space Model, SSM) vielversprechend ist, um langreichweitige Abhängigkeiten mit linearer Komplexität zu modellieren, begegnet er ebenfalls Herausforderungen wie dem Vergessen lokaler Pixelinformationen und der Kanalredundanz. Um dieses Problem anzugehen, schlagen wir ein effizientes Netzwerk für die Bildunschärfung vor, das den selektiven Zustandsraummodell zur Aggregation reicher und präziser Merkmale nutzt. Konkret führen wir einen Block zur Aggregation lokaler und globaler Informationen (Aggregate Local and Global Information Block, ALGBlock) ein, der darauf ausgelegt ist, sowohl lokale Invarianzeigenschaften als auch nicht-lokale Informationen effektiv zu erfassen und zu integrieren. Der ALGBlock besteht aus zwei Hauptmodulen: einem Modul zur Erfassung lokaler und globaler Merkmale (Capture Local and Global Features, CLGF) sowie einem Merkmalsaggregationsmodul (Feature Aggregation, FA). Das CLGF-Modul weist zwei Zweige auf: Der globale Zweig erfasst langreichweitige Abhängigkeitsmerkmale mittels eines selektiven Zustandsraummodells, während der lokale Zweig eine vereinfachte Kanal-Attention verwendet, um lokale Zusammenhänge zu modellieren und somit das Vergessen lokaler Pixel und die Kanalredundanz zu verringern. Zudem entwerfen wir ein FA-Modul, das den lokalen Anteil durch eine Neugewichtung während der Aggregation der beiden Zweige verstärkt, um die Bildrekonstruktion zu verbessern. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode gegenüber aktuellen State-of-the-Art-Ansätzen auf etablierten Benchmarks übertrifft.