摘要

尽管卷积神经网络的深度在深度学习研究中备受关注，但其宽度近年来也逐渐受到更多重视。网络宽度（定义为感受野大小与通道密度）在图像去噪、图像恢复等低层视觉任务中展现出关键作用。然而，随着网络宽度的增加，其泛化能力受限，成为设计更宽网络的瓶颈。为此，本文提出一种深度调控卷积网络（Deep Regulated Convolutional Network, RC-Net），该网络由通过跳跃连接级联的调控子网络模块构成，以突破上述瓶颈。具体而言，所提出的调控卷积模块（RC-block）结合了大尺寸与小尺寸卷积核，有效平衡了显著特征提取能力与网络的泛化性能。RC-Net具备多项显著优势：通过大-小卷积核的组合融合多样化特征，缓解图像去噪与超分辨率任务中模糊边界与细节模糊问题，并稳定网络训练过程。实验结果表明，所提出的RC-Net在多种图像恢复任务中显著优于现有最先进方法，同时展现出优异的泛化能力。代码已开源，地址为：https://github.com/cswin/RC-Nets。