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：
- 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。
- 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：
