本文内容：在不同位置添加CBAM注意力机制

论文简介

由于恶劣的大气条件或独特的降解机制，自然图像会遭受各种退化现象。这种多样性使得为各种恢复任务设计一个通用框架具有挑战性。现有的图像恢复方法没有探索不同退化现象之间的共性，而是侧重于在有限的恢复先验下对网络结构的修改。在这项工作中，我们首先从频率的角度回顾了各种退化现象。基于此，我们提出了一种高效的图像恢复框架，称为SFHformer，它将快速傅里叶变换机制融入到Transformer架构中。具体而言，我们设计了一种双域混合结构用于多尺度感受场建模，其中空间域和频率域分别侧重于局部建模和全局建模。此外，我们对每个频率分量设计了独特的位置编码和频率动态卷积，以提取丰富的频域特征。在31个恢复数据集上进行的10项恢复任务（如去训练、去雾、去模糊、去雪、去噪、超分辨率和水下/弱光增强）的大量实验表明，我们的SFHformer超越了最先进的方法，并在性能、参数大小和计算成本之间实现了良好的权衡

1.步骤一

新建blocks/blocks.py文件，添加如下代码：