Deep convolutional neural networks (CNNs) have attracted considerable interest in low-level computer vision. Researches are usually devoted to improving the performance via very deep CNNs. However, as the depth increases, influences of the shallow layers on deep layers are weakened. Inspired by the fact, we propose an attention-guided denoising convolutional neural network (ADNet), mainly including a sparse block (SB), a feature enhancement block (FEB), an attention block (AB) and a reconstruction block (RB) for image denoising. Specifically, the SB makes a tradeoff between performance and efficiency by using dilated and common convolutions to remove the noise. The FEB integrates global and local features information via a long path to enhance the expressive ability of the denoising model. The AB is used to finely extract the noise information hidden in the complex background, which is very effective for complex noisy images, especially real noisy images and bind denoising. Also, the FEB is integrated with the AB to improve the efficiency and reduce the complexity for training a denoising model. Finally, a RB aims to construct the clean image through the obtained noise mapping and the given noisy image. Additionally, comprehensive experiments show that the proposed ADNet performs very well in three tasks (i.e. synthetic and real noisy images, and blind denoising) in terms of both quantitative and qualitative evaluations. The code of ADNet is accessible at https://github.com/hellloxiaotian/ADNet.

中文翻译：

---

注意引导的CNN用于图像降噪。

深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。研究通常致力于通过非常深的CNN来提高性能。但是，随着深度的增加，浅层对深层的影响会减弱。受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。具体而言，SB通过使用膨胀和普通卷积来去除噪声，从而在性能和效率之间进行权衡。FEB通过很长的路途整合了全局和局部特征信息，以增强去噪模型的表达能力。AB用于精细提取隐藏在复杂背景中的噪声信息，这对于复杂的噪点图像（尤其是真实的噪点图像）和绑定去噪非常有效。而且，FEB与AB集成在一起，可以提高效率并降低训练降噪模型的复杂度。最终，RB旨在通过获得的噪声映射和给定的噪声图像来构造清晰图像。此外，全面的实验表明，在定量和定性评估方面，拟议的ADNet在三个任务（即合成和真实的噪点图像以及盲降噪）中均表现出色。可从https://github.com/hellloxiaotian/ADNet访问ADNet的代码。FEB与AB集成在一起，可提高效率并降低训练降噪模型的复杂度。最终，RB旨在通过获得的噪声映射和给定的噪声图像来构造清晰图像。此外，全面的实验表明，在定量和定性评估方面，拟议的ADNet在三个任务（即合成和真实的噪点图像以及盲降噪）中均表现出色。可从https://github.com/hellloxiaotian/ADNet访问ADNet的代码。FEB与AB集成在一起，可提高效率并降低训练降噪模型的复杂度。最终，RB旨在通过获得的噪声映射和给定的噪声图像来构造清晰图像。此外，全面的实验表明，在定量和定性评估方面，拟议的ADNet在三个任务（即合成和真实的噪点图像以及盲降噪）中均表现出色。可从https://github.com/hellloxiaotian/ADNet访问ADNet的代码。定量和定性评估方面的合成和真实噪点图像，以及盲降噪）。可从https://github.com/hellloxiaotian/ADNet访问ADNet的代码。定量和定性评估方面的合成和真实噪点图像，以及盲降噪）。可从https://github.com/hellloxiaotian/ADNet访问ADNet的代码。