摘要

图像修复旨在从退化图像中重建出潜在的清晰图像。除了在空间域处理这一长期存在的任务外，一些方法尝试在频域中寻找解决方案，其依据是清晰图像与退化图像之间频谱差异显著。然而，这些方法通常依赖变换工具（如小波变换）将特征分解为多个频段，这种分解方式缺乏灵活性，难以有效选择最具信息量的频率成分进行恢复。为此，本文提出一种多分支、内容感知的模块，能够动态且局部地将特征分解为独立的频带，并通过通道级注意力权重突出有用的频率成分。此外，为应对大范围的模糊退化，本文设计了一个极为简洁的解耦与调制模块，通过全局平均池化与窗口化平均池化相结合的方式，有效扩展感受野。同时，将多阶段网络的范式融合进单一的U型网络结构中，以实现多尺度感受野并提升计算效率。最终，将上述设计集成于卷积主干网络中，提出频域选择网络（Frequency Selection Network, FSNet）。在20个不同基准数据集上针对六项代表性图像修复任务（包括单图像散焦去模糊、图像去雾、图像运动去模糊、图像去雪、图像去雨和图像去噪）的实验表明，FSNet在性能上显著优于当前最先进的算法。