SCNet: Jaringan Cabang Ganda untuk Pengurangan Noise pada Gambar Berbasis Transformator Swin dan ConvNeXt

ABSTRAK
Penghilangan derau pada gambar berperan penting dalam memulihkan gambar berkualitas tinggi dari masukan yang derau dan berdampak langsung pada tugas penglihatan hilir. Metode tradisional sering kali gagal saat derau kuat, yang menyebabkan hilangnya detail atau penghalusan berlebihan. Sementara model berbasis Jaringan Syaraf Konvolusional dan berbasis Transformer terkini telah menunjukkan kemajuan, keduanya kesulitan untuk menangkap struktur global dan mempertahankan detail lokal secara bersamaan. Untuk mengatasi hal ini, kami mengusulkan SCNet, jaringan fusi cabang ganda yang dirancang khusus untuk penghilangan derau kuat. Jaringan ini menggabungkan cabang Transformer Swin untuk pemodelan konteks global dan cabang ConvNeXt untuk ekstraksi fitur lokal berbutir halus. Output keduanya digabungkan secara adaptif melalui Blok Fusi Fitur menggunakan perhatian spasial dan saluran gabungan, yang memastikan konsistensi semantik dan kesetiaan tekstur. Modul upsampling multiskala dan kehilangan Charbonnier semakin meningkatkan akurasi struktural dan kualitas visual. Eksperimen ekstensif pada empat set data tolok ukur menunjukkan bahwa SCNet mengungguli metode canggih, terutama saat derau kuat, dan terbukti efektif dalam tugas dunia nyata seperti restorasi gambar mural.