即插即用系列（代码实践）| AAAI 2025 TBSN：基于Transformer的盲点网络——自监督去噪新SOTA，彻底解决注意力机制信息泄露难题

论文题目：Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising

中文题目：重新思考用于自监督图像去噪的基于Transformer的盲点网络
论文出处：arXiv 2025 (最新自监督去噪研究)
应用任务：自监督图像去噪 (Self-Supervised Image Denoising, SSID)、盲点网络 (BSN)
核心模块：Dilated G-CSA (扩张分组通道注意力), Dilated M-WSA (扩张掩码窗口注意力)

摘要：
本文提取自2025年最新论文《Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising》。针对自监督去噪任务中，主流的盲点网络（Blind-Spot Network, BSN）长期被 CNN 统治，而强大的 Transformer 因Attention 机制容易泄露中心像素（Blind-Spot）信息而无法应用的痛点，复现了其核心组件——TBSN（Transformer-based BSN）。该模块通过重新设计通道注意力和空间注意力，在保留 Transformer 强大建模能力的同时，严格遵守盲点约束，是无参考图像去噪领域的重大突破。

---

目录

• • 第一部分：模块原理与实战分析
  • • 1. 论文背景与解决的痛点
    • 2. 核心模块原理揭秘
    • 3. 架构图解
    • 4. 适用场景与魔改建议
  • 第二部分：核心完整代码
  • 第三部分：结果验证与总结

第一部分：模块原理与实战分析

1. 论文背景与解决的痛点

在没有干净参考图（Ground Truth）的情况下进行图像去噪（即自监督去噪），通常采用盲点网络（BSN）。它的核心逻辑是：利用周围的像素预测中心像素，因为噪声通常是独立的，而图像信号是相关的。

然而，现有的 BSN 几乎全是用 CNN（特别是扩张卷积）做的，因为卷积很容易设计成“不看中心点”。Transformer 虽然在图像复原（如 Restormer）中效果拔群，但想用在 BSN 里却有两个致命缺陷：

1. 通道注意力的泄露：在多尺度架构中，下采样操作会将空间信息混入通道维度，导致计算通道注意力时“偷看”到了中心像素。
2. 空间注意力的泄露：标准的 Self-Attention 计算全局或窗口相关性时，Query 会不可避免地和自身的 Key/Value 交互，直接破坏了盲点假设。

痛点总结：我们需要一种既有 Transformer 的长距离建模能力，又能像扩张卷积一样严格屏蔽中心像素的注意力机制。

2. 核心模块原理揭秘

为了解决“既要 Transformer 强，又要 BSN 盲”的矛盾，TBSN 提出了两个核心魔改模块。我已将其封装为即插即用的 PyTorch 类：