基于注意力机制的双卷积图像去噪网络

作     者：周先春 吕梦楠 芮旸 唐彬鑫 杜志亭 陈玉泽 Zhou Xianchun;Lyu Mengnan;Rui Yang;Tang Binxin;Du Zhiting;Chen Yuze

作者机构：南京信息工程大学人工智能学院南京210044 南京信息工程大学电子与信息工程学院南京210044 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2025年第39卷第2期

页      面：60-71页

核心收录：

学科分类：0711[理学-系统科学] 0810[工学-信息与通信工程] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金(11202106 61302188)项目资助 

主　　题：图像去噪 卷积神经网络 注意力机制 跳跃连接 多尺度特征提取网络 

摘      要：近年来,深度卷积神经网络在图像去噪领域表现出了优越的性能。然而,深度网络结构往往伴随着大量的模型参数,导致训练成本高,推理时间长,限制了其在实际去噪任务中的应用。提出了一种新的基于注意力机制的双卷积图像去噪网络(MA-DFRNet),它由多尺度特征特征提取网络、双卷积神经网络及动态特征精炼注意力机制组成。多尺度特征提取网络通过不同尺度的卷积获取图像特征,提高灵活性。双卷积神经网络上下分支均采用跳跃连接及扩张卷积来增大感受野。动态特征精炼注意力机制增强特征表示的精度和区分能力。这种结构设计不仅扩大了感受野,还更有效地提取和融合图像特征,显著提升去噪效果。研究结果表明,与最先进的模型相比,提出的MA-DFRNet在所有对比的噪声水平下具有更高的峰值信噪比(PSNR)和结构相似性(SSIM)值,PSNR提高了0.2 dB左右,SSIM提高了1%左右,对于噪声水平较高的图像更具鲁棒性,并且在视觉上更好地保留了图像细节,实现去噪和细节保留之间的平衡。