论文介绍在图像去噪领域，深度卷积神经网络（CNNs）能够有效去除空间不变的噪声。然而，许多网络在去除图像采集或传输过程中产生的真实噪声（即空间变化的噪声）时表现欠佳，这严重限制了其在实际图像去噪任务中的应用。本文提出了一种新颖的双分支残差注意力网络（DRANet），兼具宽模型架构和注意力引导特征学习的优势。该网络包含两条不同的并行分支，能够捕获互补特征以增强模型的学习能力。针对上下分支分别设计了新型残差注意力模块（RAB）和混合空洞残差注意力模块（HDRAB）。通过不同卷积层间的多重跳跃连接，RAB与HDRAB可捕获丰富的局部特征，并自动滤除不重要特征。同时，各分支内的长跳跃连接与双分支间的全局特征融合能有效捕获全局特征。大量实验表明，相较于其他先进去噪方法，DRANet在合成噪声和真实噪声去除任务中均展现出竞争优势。项目代码已开源：https://github.com/WenCongWu/DRANet。文章地址：地址改进步骤