Restormer是一个极具创新性的深度学习模型，是用于高分辨率图像恢复的高效Transformer模型，由Syed Waqas Zamir等人开发，并在CVPR 2022上进行了口头报告[^1][^3]。 该模型在多个图像恢复任务中取得了最先进的结果，应用领域广泛，涵盖图像去雨、运动去模糊、散焦去模糊（单幅图像和双像素数据）以及图像去噪（高斯灰度/彩色去噪和真实图像去噪）等方面[^2][^3]。 Restormer通过对Transformer构建块（多头注意力和前馈网络）进行关键设计，能够在捕获长距离像素交互的同时，仍适用于大型图像。该项目主要使用Python编程语言，是一个开源项目，为高分辨率图像恢复任务提供了高效的解决方案，无论是学术研究还是实际应用，都能带来启发和便利[^2]。 从网络结构来看，Restormer和Uformer设计的网络结构相似，都是基于Transformer、编码器 - 解码器、Unet的结构，并且都设计了自己的transformer模块和前向传递网络。Restormer的亮点在于设计时不仅关注了空间上的局部信息，还通过一个1×1的卷积层关注了通道间的信息[^4]。 在模型的Downsample模块中，首先使用卷积层将输入特征图的通道数减半，然后使用像素反洗牌操作进一步降采样特征图，总体上该模块是将通道数乘以2，长和宽各除以2。同时，还有对应的Upsample模块对特征图进行上采样操作[^5]。 ```python # 以下是Downsample模块和Upsample模块的示例代码 import torch import torch.nn as nn class Downsample(nn.Module): def __init__(self): super(Downsample, self).__init__() self.conv = nn.Conv2d(in_channels=64, out_channels=32, kernel_size=3, stride=1, padding=1) self.pixel_unshuffle = nn.PixelUnshuffle(2) def forward(self, x): x = self.conv(x) x = self.pixel_unshuffle(x) return x class Upsample(nn.Module): def __init__(self, n_feat): super(Upsample, self).__init__() self.body = nn.Sequential( nn.Conv2d(n_feat, n_feat*2, kernel_size=3, stride=1, padding=1, bias=False), nn.PixelShuffle(2) ) def forward(self, x): return self.body(x) ```