CVPR | 让图像更清晰的秘密武器：Local Feature Extraction Block

主要观点总结

该论文介绍了名为HLNet的图像恢复与增强方法，使用高低频分解处理不同类型的退化问题。主要创新点包括共享权重的SCEB模块提取不同退化的共性特征，非共享权重的HLFDB模块进行高低频分解，并在NTIRE 2024 Bracketing Image Restoration and Enhancement Challenge中取得第4名。文章还详细介绍了其方法的关键点、架构、适用场景及特定模块的详细作用。

关键观点总结

关键观点1: 论文主题与目的

论文旨在解决图像恢复与增强问题，通过提出HLNet方法结合高低频分解处理不同类型的退化问题。

关键观点2: 主要创新点

共享权重的SCEB模块用于提取不同退化的共性特征；非共享权重的HLFDB模块进行高低频分解，针对不同频率采用不同处理方式。

关键观点3: 方法架构

HLNet首先对多曝光输入帧进行光流与DCN对齐，通过SCEB模块提取通用特征，再通过HLFDB模块进行高低频分解处理，最后通过特征融合和多级上采样生成高分辨率、高质量的恢复图像。

关键观点4: 适用场景

适用于图像细节恢复类任务，如去噪、去模糊、超分辨率等；也适用于多帧或多曝光融合的场景。

关键观点5: 特定模块的作用

Local Feature Extraction Block是一个面向“细节修复”的即插即用模块，能显著改善图像的清晰度和边缘锐利度；Dense连接有助于捕捉图像中的细微结构和纹理，强化残差信息，提高重建精度。