Image restoration is a long-standing problem in image processing and low-level computer vision. Recently, discriminative convolutional neural network (CNN)-based approaches have attracted considerable attention due to their superior performance. However, most of these frameworks are designed for one specific image restoration task; hence, they seldom show high performance on other image restoration tasks. To address this issue, we propose a flexible deep CNN framework that exploits the frequency characteristics of different types of artifacts. Hence, the same approach can be employed for a variety of image restoration tasks by adjusting the architecture. For reducing the artifacts with similar frequency characteristics, a quality enhancement network that adopts residual and recursive learning is proposed. Residual learning is utilized to speed up the training process and boost the performance; recursive learning is adopted to significantly reduce the number of training parameters as well as boost the performance. Moreover, lateral connections transmit the extracted features between different frequency streams via multiple paths. One aggregation network combines the outputs of these streams to further enhance the restored images. We demonstrate the capabilities of the proposed framework with three representative applications: image compression artifacts reduction (CAR), image denoising, and single image super-resolution (SISR). Extensive experiments confirm that the proposed framework outperforms the state-of-the-art approaches on benchmark datasets for these applications.

中文翻译：

---

用于图像恢复的灵活的深度 CNN 框架

图像恢复是图像处理和低级计算机视觉中长期存在的问题。最近，基于判别卷积神经网络 (CNN) 的方法由于其卓越的性能而引起了相当大的关注。然而，这些框架中的大多数都是为一项特定的图像恢复任务而设计的；因此，它们在其他图像恢复任务上很少表现出高性能。为了解决这个问题，我们提出了一个灵活的深度 CNN 框架，该框架利用了不同类型工件的频率特征。因此，通过调整架构，可以将相同的方法用于各种图像恢复任务。为了减少具有相似频率特性的伪影，提出了一种采用残差和递归学习的质量增强网络。剩余学习用于加快训练过程并提高性能；采用递归学习来显着减少训练参数的数量并提高性能。此外，横向连接通过多条路径在不同频率流之间传输提取的特征。一个聚合网络结合了这些流的输出，以进一步增强恢复的图像。我们通过三个代表性应用展示了所提出框架的功能：图像压缩伪影减少（CAR）、图像去噪和单图像超分辨率（SISR）。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。采用递归学习来显着减少训练参数的数量并提高性能。此外，横向连接通过多条路径在不同频率流之间传输提取的特征。一个聚合网络结合了这些流的输出，以进一步增强恢复的图像。我们通过三个代表性应用展示了所提出框架的功能：图像压缩伪影减少（CAR）、图像去噪和单图像超分辨率（SISR）。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。采用递归学习来显着减少训练参数的数量并提高性能。此外，横向连接通过多条路径在不同频率流之间传输提取的特征。一个聚合网络结合了这些流的输出，以进一步增强恢复的图像。我们通过三个代表性应用展示了所提出框架的功能：图像压缩伪影减少（CAR）、图像去噪和单图像超分辨率（SISR）。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。横向连接通过多条路径在不同频率流之间传输提取的特征。一个聚合网络结合了这些流的输出，以进一步增强恢复的图像。我们通过三个代表性应用展示了所提出框架的功能：图像压缩伪影减少（CAR）、图像去噪和单图像超分辨率（SISR）。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。横向连接通过多条路径在不同频率流之间传输提取的特征。一个聚合网络结合了这些流的输出，以进一步增强恢复的图像。我们通过三个代表性应用展示了所提出框架的功能：图像压缩伪影减少（CAR）、图像去噪和单图像超分辨率（SISR）。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。图像去噪和单图像超分辨率 (SISR)。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。图像去噪和单图像超分辨率 (SISR)。大量实验证实，所提出的框架在这​​些应用程序的基准数据集上优于最先进的方法。