加速基于高斯混合模型的图像复原补丁先验：实现 100$\times$加速的三个要素
计算机视觉与模式识别
2017-10-24 v1
摘要
图像复原方法旨在从受损观测中恢复底层清晰图像。期望补丁对数似然（EPLL）算法是一种强大的图像复原方法，它利用自然图像补丁上的高斯混合模型（GMM）先验。尽管 EPLL 在图像复原方面非常有效，但其高运行时复杂度使其不适合大多数实际应用。本文提出了对原始 EPLL 算法的三种近似。由此产生的算法，我们称之为快速 EPLL（FEPLL），在恢复图像质量仅产生可忽略的下降（小于 0.5 dB）的同时，实现了比 EPLL 高两个数量级的显著加速。我们在去噪、去模糊、超分辨率、图像修复和去晕影等多个逆问题上展示了该算法的有效性和通用性。据我们所知，FEPLL 是首个能在未使用 CPU 并行化或 GPU 实现等专用代码优化的情况下，针对上述所有退化类型在 0.5 秒内竞争性复原 512x512 像素图像的算法。
引用
@article{arxiv.1710.08124,
title = {Accelerating GMM-based patch priors for image restoration: Three ingredients for a 100$\times$ speed-up},
author = {Shibin Parameswaran and Charles-Alban Deledalle and Loïc Denis and Truong Q. Nguyen},
journal= {arXiv preprint arXiv:1710.08124},
year = {2017}
}