一种用于图像复原的深度原始对偶邻近网络

图像复原在图像处理中仍是一项具有挑战性的任务。众多方法处理该问题，通常通过最小化非光滑惩罚对数似然函数来求解。尽管该解具有理论保证且易于解释，但其估计依赖于可能耗时的优化过程。考虑到深度学习在图像分类与分割中的研究投入，这类方法为执行图像复原提供了严肃的替代方案，但在求解逆问题上仍具挑战性。本工作中，我们设计了一个名为DeepPDNet的深度网络，由原始对偶邻近迭代构建，关联于带分析先验的标准惩罚似然最小化，使我们能利用两个世界的优势。我们将Condat-Vu原始对偶混合梯度（PDHG）算法的一个具体实例重新表述为具有固定层的深度网络。所学习的参数既是PDHG算法步长，也是惩罚中涉及的分析线性算子（包括正则化参数）。这些参数允许逐层变化。提出了两种不同学习策略：“全学习”和“部分学习”，前者在数值上最高效，而后者依赖确保标准PDHG迭代收敛的标准约束。此外，研究了全局与局部稀疏分析先验以寻求更好的特征表示。我们将所提方法应用于MNIST和BSD68数据集上的图像复原，以及BSD100和SET14数据集上的单图像超分辨率。广泛结果表明，所提DeepPDNet在MNIST及更复杂的BSD68、BSD100和SET14数据集上，对图像复原和单图像超分辨率任务均展现出优异性能。