Jiatao Jiang、Zhen Cui、Chunyan Xu和Jian Yang等研究人员在2025年2月的《IEEE Transactions on Neural Networks and Learning Systems》期刊上发表了一项关于图像复原的重要研究，题为“Multi-Level Attention-Guided Graph Neural Network for Image Restoration”。这项研究提出了一种创新的多级注意力引导图神经网络（Multi-Level Attention-Guided Graph Neural Network, MAGN），旨在解决传统卷积神经网络（CNN）在图像复原任务中难以有效整合多尺度信息的局限性。

学术背景

图像复原是计算机视觉领域的核心任务之一，旨在从低质量图像（如含噪声、模糊或压缩伪影的图像）中恢复高质量图像。传统方法主要依赖空间滤波、稀疏表示或低秩约束，但存在计算成本高、泛化能力差等问题。近年来，基于深度学习的CNN方法（如DnCNN、FFDNet）虽取得显著进展，但仍面临两大挑战：一是局部感受野难以捕捉全局特征；二是非局部神经网络方法（如N3Net）计算复杂度高且缺乏统一框架。此外，图卷积网络（Graph Convolutional Networks, GCN）虽能建模非局部关系，但在局部特征提取和全局表征融合方面仍有不足。为此，本研究提出MAGN，通过动态构建多级图结构，结合注意力机制实现局部结构与全局表征的协同优化。

研究流程与方法

1. 网络架构设计

MAGN采用端到端的残差网络框架，包含以下核心模块：
- 残差模块：由16个残差块堆叠而成，每块包含两个卷积层和ReLU激活函数，用于提取局部特征。
- 图卷积模块：包含全局表征图和局部结构图两个子网络。全局图通过像素级注意力机制（Multi-Head Attention）动态构建邻接矩阵，聚合图像全局信息；局部图则通过滑动窗口（7×7大小，步长4）将特征图分割为重叠块（patch），构建块级图结构以捕捉局部相似性。
- 信息聚合机制：通过图卷积操作（公式8-9）实现像素级和块级信息的双向传播，并采用残差连接与层归一化（公式10-12）稳定训练过程。

2. 创新算法

• 动态图生成器：利用多头注意力计算节点相似性矩阵（公式4-5），通过掩码机制（公式6）过滤低相关性节点，生成归一化邻接矩阵（公式7）。该设计避免了传统GCN需手动定义图结构的缺陷。
  
• 多级图融合：全局图与局部图分别学习图像的表征和结构信息，通过折叠（fold）操作将块级特征还原至空间维度，最终与像素级特征相加（公式13），形成互补性增强。
  

3. 实验设置

研究在三个经典任务上验证MAGN性能：
- 合成图像去噪：在Urban100、BSD68和Set12数据集上测试，添加高斯白噪声（σ=15/25/50）。
- 压缩伪影去除：使用Classic5和LIVE1数据集，JPEG压缩质量因子Q=10/20/30/40。
- 去马赛克：评估McMaster18、Kodak24和Urban100数据集。
训练采用DIV2K数据集（800张高分辨率图像），优化器为Adam（学习率1e-4，批次32），损失函数为均方误差（MSE）。

主要结果

1. 去噪性能：在σ=50噪声下，MAGN于Urban100的PSNR达27.99 dB，超越DAGL（27.97 dB）和GCNN（27.41 dB），SSIM提升0.0014（表II）。可视化结果（图7）显示，MAGN能更精准恢复建筑纹理和草地细节。
   
2. 压缩伪影去除：在Q=10时，MAGN于Classic5的PSNR为30.10 dB，较DAGL提升0.02 dB，SSIM领先0.0063（表III）。图8中船舶缆绳的连续性明显优于对比方法。
   
3. 去马赛克：MAGN在Kodak24的PSNR达43.29 dB（表IV），较RNAN提升0.2 dB，且参数量仅5.22M，效率优于DAGL（5.62M）。
   

结论与价值

MAGN通过多级图结构实现了局部与全局信息的动态融合，其科学价值体现在：
1. 方法论创新：首次将注意力引导的图卷积引入图像复原，提出可端到端训练的通用框架。
2. 性能突破：在PSNR和SSIM指标上均达到SOTA，尤其在复杂场景（如Urban100）中优势显著。
3. 应用潜力：适用于医疗影像增强、卫星图像修复等实际场景，代码开源将促进后续研究。

研究亮点

• 多级图结构：同时建模像素级和块级关系，克服传统CNN的尺度单一性问题。
  
• 动态注意力机制：自适应学习节点关联，避免非局部方法的高计算开销。
  
• 轻量化设计：参数量仅5.22M，在保持性能的同时提升计算效率。
  

此外，消融实验（表V-VI）证实，7×7的局部窗口尺寸为最优选择，而移除全局图或局部图均会导致性能下降1.2 dB以上，验证了多级设计的必要性。图10-14展示了训练过程中PSNR和SSIM的稳定收敛趋势，证明方法的鲁棒性。

MAGN为图像复原领域提供了新的研究范式，其动态图构建和层级信息聚合策略对多模态数据（如视频、3D医学图像）处理具有启发意义。