微网站 demo百度平台app

1. 研究目标与实际意义

研究目标：
论文旨在解决动态场景中因物体移动或相机抖动导致的**非均匀模糊（non-uniform blur）**问题。此类模糊具有方向性、区域性和多尺度特性（如短程与长程模糊），传统方法难以高效建模。Stripformer的目标是设计一种轻量化的Transformer架构，在低计算开销下实现高性能去模糊。

实际意义：

• 产业价值：动态模糊广泛存在于移动摄影、自动驾驶（如运动物体识别）、安防监控等领域。高效去模糊能提升图像质量，增强下游任务（如目标检测）的准确性。
• 技术痛点：现有Transformer模型（如ViT）因全局注意力机制导致计算复杂度高（$\mathcal{O}(H^2{W}^2)$），且需海量预训练数据（如ImageNet）。Stripformer通过创新设计显著降低资源需求，推动Transformer在边缘设备的落地。

---

2. 创新方法：Stripformer的核心设计

2.1 整体架构设计

Stripformer采用编码器-解码器结构（图2），核心创新在于通过条带注意力机制（Strip Attention）建模模糊的方向性与多尺度特性。架构包含以下关键模块：

• 特征嵌入块（Feature Embedding Block, FEB）：
  由卷积层和残差块组成（公式无编号），将输入图像 $X\in {\mathbb{R}}^{H\times W\times 3}$ 转换为特征图 $F\in {\mathbb{R}}^{\frac{H}{4}\times \frac{W}{4}\times C}$，避免传统Transformer的块划分导致的空间信息丢失。
• 堆叠的Intra-SA与Inter-SA块：
  交替处理局部与全局模糊模式，生成方向感知特征。
• 上采样与跳跃连接：
  转置卷积恢复分辨率，并拼接同尺度编码器特征以保留细节。

2.2 条带注意力机制

2.2.1 Intra-Strip Attention (Intra-SA)

目标：建模局部条带内像素依赖，捕捉短程模糊方向性（图1a）。

图1：Intra-SA与Inter-SA示意图

• (a) Intra-SA：水平/垂直条带内像素级注意力（短程方向建模）。
• (b) Inter-SA：条带间全局注意力（长程幅度建模）。

公式与计算流程：

1. 特征预处理（公式1）：
   $$(X^h,X^v)=\text{Conv}(\text{Norm}(X))\text{\hspace{1em}(1)}$$
   $X^h,X^v\in {\mathbb{R}}^{H\times W\times D}$（$D=C/2$）分别输入水平/垂直分支。

2. 水平分支（Intra-SA-H）：

   • 分割 $X^h$ 为 $H$ 条水平条带 $X_i^h\in {\mathbb{R}}^{W\times D}$（$i=1,\dots ,H$）。
   • 生成多头注意力（公式2-3）：
     ( Q i j h , K i j h , V i j h ) = ( X i h P j Q , X i h P j K , X i h P j V ) O i j h = Softmax