Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记

introduction

图像恢复目标函数一般形式:

      

前一项为保真项(fidelity),后一项为惩罚项,一般只与去噪有关。

基于模型的优化方法可以灵活地使用不同的退化矩阵H来处理不同的图像恢复问题,而判别学习方法通过训练图像对数据集来学习图像退化模型。

基于模型的优化方法可以灵活的处理不同的逆问题(inverse problem),但通常耗时较多,而且需要复杂的先验,而判别学习方法速度快,但应用范围受一定限制。

采用分裂变量的方法(ADMM、半二次分裂(HQS)等),可以将判别学习方法训练的CNN去噪器作为模块插入基于模型的优化方法中,以解决其他逆问题(例如去模糊)。

半二次分裂HQS

分裂变量:

      

代价函数:

      

µ是一个在迭代中非增的惩罚参数。

重复迭代,交替对x,z更新:

      

其中第一项x是保真项(fidelity term,第二项是惩罚项(regularization term,第一项根据不同的退化矩阵有许多方法可以解出来。一个直接的解为:

      

而第二项可以写成高斯去噪器(噪声级别√λ/µ)形式:

      Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第1张图片

这样图像先验Φ部分可以替代为去噪先验,这样一来,当图像先验条件未知或不足时,可以采用各种去噪器作为替代补充,也可以利用不同图像先验来联合求解一个互补去噪算法。这个性质在其他优化方法(如ISTA、FISTA等)中同样奏效,只要这个算法中有去噪子问题。

CNN去噪器

CNN相对于传统的去噪器(全变差、高斯混合模型、K-SVD、非局部均值、BM3D等)具有速度、性能和泛化能力上的优势。

CNN去噪器结构

      Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第2张图片

s-DConv” denotes s-dilated convolution, s= 1, 2, 3 and 4. A dilated filter with dilation factor scan be simply interpreted as a sparse filter of size (2s+1) ×(2s+1) where only 9 entries of fixed positions are non-zeros.

整个算法过程:

    Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第3张图片

通过迭代,实现交替对x,z更新,其中对z更新使用CNN denoiser.

results

去噪结果

Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第4张图片

去模糊结果

Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第5张图片

超分辨结果

Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记_第6张图片

 

转载于:https://www.cnblogs.com/smartweed/p/10444039.html

你可能感兴趣的:(Learning Deep CNN Denoiser Prior for Image Restoration阅读笔记)