摘要

本文介绍了一种针对乘性噪声的去噪方法，该噪声广泛存在于雷达图像、医学图像等领域。传统的去噪方法如非局部均值滤波（NLM）在处理乘性噪声时存在计算复杂度高和推理速度慢的问题。为此，研究者提出了一种基于线性注意力机制的深度非局部均值滤波（LDNLM）方法，通过深度通道卷积神经网络（CNN）提取像素邻域信息，并利用线性注意力机制替代传统的相似度计算和加权平均过程，从而实现线性复杂度的非局部去噪算法。实验结果表明，LDNLM在模拟和真实乘性噪声图像上均表现出优于现有方法的性能，同时保持了与传统NLM相近的可解释性。

原理

LDNLM方法的核心在于利用深度通道CNN提取图像像素的邻域信息，并将这些信息映射到高维空间，形成Query、Key和Value向量。通过内积计算和加权平均的注意力机制，LDNLM能够更准确地计算像素间的相似度，并进行有效的加权平均。此外，通过引入核函数，LDNLM将相似度计算线性化，显著降低了计算复杂度，从而提高了算法的效率和可解释性。

流程

LDNLM的工作流程分为三个主要部分：CNN基的像素信息提取、相似度计算与加权平均以及后处理。首先，深度通道CNN被用于提取图像中每个像素的邻域信息，并将其映射到高维空间。接着，通过注意力机制计算像素间的相似度，并进行加权平均。最后，通过后处理步骤，如层归一化和残差学习，进一步优化去噪结果。例如，在处理一张包含乘性噪声的雷达图像时，LDNLM首先提取图像的邻域信息，然后通过线性注意力机制计算相似度并进行加权平均，最终输出清晰的去噪图像。

应用

LDNLM方法在雷达图像、医学图像等领域的乘性噪声去除方面具有广泛的应用前景。由于其高效的计算性能和良好的去噪效果，LDNLM可以显著提升这些领域中图像处理的质量，如雷达目标跟踪和医学诊断。此外，LDNLM的可解释性也使其在这些关键应用场景中更具可靠性。