《Neurocomputing》：HLF-LKNet: A self-supervised denoising network with high–low frequency fusion and large-kernel high-frequency enhancement
编辑推荐：
图像去噪旨在从噪声污染观测中恢复干净的视觉信号，然而复杂的噪声污染往往会扭曲高频结构信息，如边缘和纹理，使得可靠恢复极具挑战性。尽管噪声通常被视为有害成分，但某些高频成分虽然呈现噪声特征，却可能包含有价值的结构线索，尽管与噪声相互纠缠，仍可被隐式利用以改进结构
图像去噪旨在从噪声污染观测中恢复干净的视觉信号，然而复杂的噪声污染往往会扭曲高频结构信息，如边缘和纹理，使得可靠恢复极具挑战性。尽管噪声通常被视为有害成分，但某些高频成分虽然呈现噪声特征，却可能包含有价值的结构线索，尽管与噪声相互纠缠，仍可被隐式利用以改进结构恢复，这与"积极噪声"的直觉一致。研究人员提出了HLF-LKNet，一种自监督图像去噪框架，该框架保留信息性高频成分以增强结构恢复，适用于光学图像和声呐图像，且无需依赖配对的干净-噪声样本。该框架集成两个关键模块：高低频融合（High-Low Frequency Fusion, HLF）模块，实现高效的全局上下文建模与高低频表示融合；以及大核高频增强（Large-Kernel High-Frequency Enhancement, LKHF）模块，通过增强细粒度细节并隐式保留信息性高频成分来补偿高频损失，从而为结构恢复提供有价值的线索。在光学和声呐数据集上的大量实验表明，HLF-LKNet一致优于现有的自监督去噪方法，突显了在多样化噪声条件下保留信息性高频成分以实现鲁棒结构恢复的有效性。
## 研究背景与问题分析
图像噪声源于采集与传输的各个阶段，是视觉数据处理中的根本性挑战，它会降低图像质量并阻碍后续高级视觉任务的执行。图像去噪的目标是在去除噪声的同时保留关键细粒度细节，这使其成为现代计算机视觉与图像分析中的核心问题。在实际成像场景中，噪声特性往往复杂且难以精确建模，这促使去噪研究采用简化的噪声假设。然而，近期研究表明噪声不应总是被视作纯粹有害的成分，因为某些成分特别是高频域中的成分可能包含有用的结构信息，这可被解释为积极噪声并被隐式利用以促进结构恢复。
传统有监督去噪方法通常依赖干净-噪声图像对和预定义的噪声假设，这在实际场景中往往不切实际。为缓解这些局限性，自监督去噪方法近年来受到越来越多的关注。这些方法利用噪声观测的内在统计特性来学习去噪模型，无需访问干净的参考图像。代表性方法包括基于配对噪声观测的Noise2Noise（N2N）、基于单图像先验的DIP，以及基于盲点或上下文策略的Noise2Void（N2V）、Self2Self和Neighbor2Neighbor。这些方法显著降低了数据依赖性，并能在实际条件下实现灵活学习。然而，这些方法往往依赖局部空间上下文假设或隐式先验，这限制了其在处理空间相关噪声时的鲁棒性，且常常导致细粒度结构细节的退化。近期扩展如AMSNet尝试改进掩蔽策略以缓解盲点操作带来的局限性，但从噪声中有效分离高频结构信息这一根本性挑战仍未解决。
从频率相关视角来看，这一局限性更为显著，因为高频成分在实际成像场景中更容易受到噪声污染和退化，使得现有方法难以恢复。传统去噪策略面临内在权衡：以牺牲高频细节为代价抑制噪声，或增强细节却无法有效将结构信息与噪声分离，这表明现有方法难以同时实现这两个目标。尽管近期若干方法如SFGNet、FADNet和FSNet尝试引入频率相关信息，但它们通常独立处理高低频成分或依赖预定义的频率变换，这限制了其建模复杂频率交互和适应多样化噪声特性的能力。因此，迫切需要一种统一的自监督去噪框架，能够联合解决复杂噪声抑制和高频细节恢复问题，同时避免依赖配对的干净-噪声数据。
## 研究方法与技术框架
为应对上述挑战，研究人员提出了HLF-LKNet，一种基于高低频融合与大核高频增强的自监督去噪网络。该框架的核心思想是将去噪问题解耦为两个互补且协作的任务，实现有效噪声抑制和结构细节恢复。具体而言，研究人员首先设计了高低频融合（HLF）模块，该模块通过卷积操作捕获全局多尺度上下文信息，融入频率感知特性，有效融合互补的低频和高频表示，从而克服局部空间处理的局限性并增强多样化噪声条件下的鲁棒性。其次，研究人员开发了大核高频增强（LKHF）模块，该模块直接应对高频退化问题，通过大感受野卷积重建细粒度细节，而非仅仅保留边缘。
在技术实现层面，HLF-LKNet构建于Noise2Noise范式及其Neighbor2Neighbor扩展之上，将其整合为适用于去噪网络的统一自监督训练目标。Noise2Noise的理论背景源于存在一组不可靠的室温测量值，估计真实未知温度的常用策略是寻找一个数值以最小化平均偏差。Neighbor2Neighbor则进一步扩展了这一思想，通过邻域采样策略增强训练效率。
研究中所用的光学图像数据集基于PASCAL VOC Challenge提供的VOC2007数据集构建训练集，分别添加不同水平的高斯噪声和散斑噪声；测试集由三部分组成：KODAK、BSD300和SET14数据集，同样添加不同水平的噪声。声呐图像数据集用于验证方法在跨模态场景下的泛化能力。
## 研究结果
研究主要包含以下四个方面的结果：
**高低频融合模块的有效性**：通过HLF模块，HLF-LKNet能够捕获全局上下文信息并实现互补高低频表示的有效融合。实验表明，该模块无需依赖自注意力机制即可实现高效的频率感知特征交互，在复杂噪声抑制方面表现优异。与仅依赖局部空间上下文的方法相比，HLF模块在保持计算效率的同时显著提升了全局建模能力。
**大核高频增强模块的有效性**：LKHF模块通过大感受野卷积有效补偿了图像中的高频退化，提高了边缘清晰度并保留了细粒度细节。该模块隐式保留了常与噪声纠缠的信息性高频成分，从而为结构恢复提供了有价值的线索。实验验证表明，LKHF模块在增强高频细节方面显著优于传统的边缘保留策略。
**光学图像去噪性能**：在VOC2007训练集及KODAK、BSD300、SET14测试集上的大量实验表明，在合成高斯噪声和散斑噪声设置下，HLF-LKNet一致优于现有的自监督去噪方法。该方法在定量指标和视觉质量方面均展现出 superior 性能，特别是在保留细粒度细节方面表现突出。
**声呐图像去噪性能**：跨模态实验验证了HLF-LKNet在声呐图像上的泛化能力。结果表明，该框架能够有效处理声呐图像中的复杂噪声特性，在无需配对干净-噪声样本的条件下实现鲁棒的去噪性能，进一步证明了保留信息性高频成分策略的普适价值。
## 讨论与结论
研究讨论部分深入分析了HLF-LKNet的设计优势与潜在局限。研究人员指出，将去噪问题解耦为噪声抑制和结构恢复两个互补任务的策略，有效避免了传统方法中存在的内在权衡问题。HLF模块通过频率感知的多尺度特征融合克服了局部处理局限，而LKHF模块则通过大核卷积直接针对高频退化进行补偿，两者协同工作实现了复杂噪声条件下的鲁棒去噪。
研究结论部分明确指出，该论文解决了图像去噪中的一个根本性挑战：有效利用可能与噪声纠缠但包含可用结构信息的高频成分，同时在复杂噪声条件下保留细粒度细节。为此，研究人员提出了一种无需干净-噪声图像对的自监督图像去噪框架。该方法集成了两项关键创新：高低频融合（HLF）模块，通过增强全局上下文建模与互补频率表示的融合以提升去噪鲁棒性；以及大核高频增强（LKHF）模块，直接针对高频退化进行补偿并隐式保留信息性高频成分。在光学和声呐数据集上的大量实验表明，HLF-LKNet在多样化噪声条件下实现了优异的性能，充分验证了保留信息性高频成分对于实现鲁棒结构恢复的重要价值。该方法发表于《Neurocomputing》期刊，为自监督图像去噪领域提供了新的技术思路和有效解决方案。
