用于图像正则化的平均化深度去噪器

Plug-and-Play（PnP）与 Regularization-by-Denoising（RED）是近期利用现代去噪器进行图像正则化的图像重建范式。特别地，已表明它们借助 CNN 去噪器可取得最先进的重建结果。由于正则化以临时方式执行，理解 PnP 与 RED 的收敛性一直是一个活跃的研究领域。近期工作表明，若去噪器是平均的或非负扩张的，则可保证迭代收敛。然而，将非负扩张性与基于梯度的学习相结合具有挑战性，核心问题在于检验非负扩张性是不可行的。通过数值示例，我们表明现有 CNN 去噪器往往违背非负扩张性质，这会导致 PnP 或 RED 发散。事实上，训练非负扩张去噪器的算法要么不能保证非负扩张性，要么计算密集。在本工作中，我们通过展开应用于小波去噪的基于分裂的优化算法来构造压缩与平均图像去噪器，并证明其用于 PnP 和 RED 的正则化能力可与 CNN 去噪器匹敌。据我们所知，这是首个提出使用网络展开训练压缩去噪器的简单框架的工作。