HINet: Half Instance Normalization Network for Image Restoration论文阅读

1. 论文的研究目标与实际意义

研究目标：解决低层次视觉任务（如图像去噪、去模糊、去雨）中传统标准化方法（如Batch Normalization, BN）的局限性，提出一种高效且高性能的归一化模块——Half Instance Normalization Block (HIN Block)，并基于此构建多阶段网络HINet，以提升图像恢复任务的性能。

实际意义：

• 产业应用：手机摄影、安防监控、医疗影像等领域需高效处理模糊、噪声、雨雾等退化问题。HINet在减少70%以上计算量的同时超越SOTA，可部署于移动端或边缘设备。
• 学术价值：首次将归一化技术直接应用于图像恢复任务并取得显著提升，挑战了“归一化对低层次任务无效”的传统认知。

2. 创新方法：HIN Block与HINet

2.1 HIN Block的设计原理

核心思想：通过通道分半策略（Channel Splitting Strategy）平衡特征鲁棒性与内容保留。传统归一化（如BN）在低层次视觉任务中因小批量统计不稳定而失效，而Instance Normalization (IN) 因其通道独立归一化特性（无需批量维度统计）更适用于此类任务。HIN Block创新性地仅对半数通道应用IN，避免全局归一化导致的内容丢失。

结构细节（对应论文图3a）：

HIN Block结构

• 输入特征经3×3卷积生成中间特征$F_{\text{mid}}$。
• 通道分半后，仅左半部分（$F_{{\text{mid}}_1}$）进行IN操作。
• 拼接后通过残差路径输出。

1. 输入特征处理：
   输入特征$F_{\text{in}}\in {\mathbb{R}}^{C_{\text{in}}\times H\times W}$经卷积生成中间特征：
   $$F_{\text{mid}}={\text{Conv}}_{3\times 3}(F_{\text{in}})\in {\mathbb{R}}^{C_{\text{out}}\times H\times W}\text{(Eq. in Sec 3.2)}$$

2. 通道分半：
   将$F_{\text{mid}}$沿通道维度均分：
   F mid 1 , F mid 2 = Split ( F mid ) , 其中 F mid 1 , F mid 2 ∈ R C out / 2 × H × W