SWinIR实战
论文地址：https://arxiv.org/pdf/2108.10257.pdf
预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases
训练代码下载：https://github.com/cszn/KAIR
测试：https://github.com/JingyunLiang/SwinIR
摘要
图像恢复是一个长期存在的低级视觉问题，旨在从低质量图像（例如，缩小、噪声和压缩图像）中恢复高质量图像。虽然最先进的图像恢复方法是基于卷积神经网络的，但很少有人尝试使用 Transformer 进行高级视觉任务的表现令人印象深刻。在本文中，我们提出了一种基于 Swin Transformer 的强大基线模型 SwinIR 用于图像恢复。 SwinIR由浅层特征提取、深层特征提取和高质量图像重建三部分组成。特别是，深度特征提取模块由几个残差 Swin Transformer 块 (RSTB) 组成，每个残差块都有几个 Swin Transformer 层和一个残差连接。我们对三个具有代表性的任务进行了实验：图像超分辨率（包括经典、轻量级和真实世界的图像超分辨率）、图像去噪（包括灰度和彩色图像去噪）和 JPEG 压缩伪影减少。实验结果表明，SwinIR 在不同任务上的性能优于最先进的方法高达 0.14～0.45dB，而参数总数最多可减少 67%。
一、简介
图像恢复，例如图像超分辨率（SR）、图像去噪和 JPEG 压缩伪影减少，旨在从其低质量退化的对应物重建高质量的干净图像。 由于几项革命性的工作 [18, 40, 90, 91]?
