用于图像复原的回归树字段级联
计算机视觉与模式识别
2016-11-18 v2
摘要
条件随机场（CRFs）是计算机视觉中流行的判别模型，并已成功应用于图像复原领域，尤其是图像去噪。然而，在图像去模糊方面，判别式方法大多缺失。我们提出两个原因：首先，模糊核通常仅在测试时已知，要求任何判别式方法都能应对相当大的变异性；其次，鉴于这种变异性，很难为判别式预测构建合适的特征。为应对这些挑战，我们首先展示了生成式图像先验的常见半二次推断与高斯 CRF 之间的联系。基于此分析，我们随后提出了一种用于图像复原的级联模型，该模型在每一阶段都包含一个高斯 CRF。我们级联的每一阶段都是半参数的，即它依赖于复原问题的实例特定参数，如模糊核。我们利用合成生成的训练数据，通过损失最小化来训练模型。实验表明，当应用于非盲图像去模糊时，所提出的方法效率高，并在受合成和真实模糊污染的图像上产生了最先进的复原质量。此外，我们证明了其适用于图像去噪，在灰度和彩色图像上均取得了具有竞争力的结果。
引用
@article{arxiv.1404.2086,
title = {Cascades of Regression Tree Fields for Image Restoration},
author = {Uwe Schmidt and Jeremy Jancsary and Sebastian Nowozin and Stefan Roth and Carsten Rother},
journal= {arXiv preprint arXiv:1404.2086},
year = {2016}
}
备注
Submitted to IEEE Transactions on Pattern Analysis and Machine Intelligence