研究背景与问题

在数字图像处理领域，图像去噪是一项基本且重要的任务。传统图像去噪方法往往在局部信息处理上表现优异，但在全局信息整合方面存在不足。随着深度学习技术的发展，基于深度学习的图像去噪网络逐渐成为研究热点。然而，现有的去噪网络在处理复杂场景时，仍然面临着局部与全局信息捕捉能力不足的问题。因此，如何有效融合局部与全局信息，提升图像去噪网络的性能，成为当前研究的一个关键问题。

研究方法

为了解决上述问题，本文提出了一种融合特征金字塔网络（FPN）和空间频率块（SFB）的Swin Transformer图像去噪网络。该网络主要包含以下几个创新点： 1. 采用Swin Transformer作为基础模型，利用其多尺度特征提取能力，增强对图像局部和全局信息的捕捉。 2. 引入FPN结构，通过自底向上的特征金字塔构建，实现多尺度特征的有效融合。 3. 提出空间频率块（SFB），通过引入空间频率信息，进一步增强网络对图像全局结构的理解。 4. 设计自适应注意力机制，使得网络能够根据图像内容动态调整对局部和全局信息的关注程度。 通过上述方法，本文提出的网络能够更好地捕捉图像的局部和全局信息，从而提高图像去噪的效果。

核心结果

本文提出的融合FPN与SFB的Swin Transformer图像去噪网络在多个公共图像去噪数据集上进行了实验验证。实验结果表明，与现有的图像去噪方法相比，本文提出的网络在峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标上均取得了显著提升。具体而言，在BSD100、Set14和BSD68等数据集上，本文网络的PSNR分别提高了1.2 dB、0.5 dB和0.8 dB，SSIM分别提高了0.05、0.02和0.03。此外，本文网络在处理复杂场景和低对比度图像时，也表现出良好的鲁棒性。

结论与意义

本文提出的融合FPN与SFB的Swin Transformer图像去噪网络，通过有效融合局部与全局信息，显著提升了图像去噪的性能。该网络在多个公共数据集上取得了优异的去噪效果，为实际应用提供了有力的技术支持。此外，本文的研究成果也为未来图像去噪网络的设计提供了新的思路和方向，具有重要的理论意义和应用价值。