用于图像复原的深度广义展开网络
计算机视觉与模式识别
2022-04-29 v1 图像与视频处理
摘要
深度神经网络（DNN）在图像复原方面取得了巨大成功。然而，大多数 DNN 方法被设计为黑箱，缺乏透明性与可解释性。尽管已有一些方法将传统优化算法与 DNN 结合，它们通常要求预定义的退化过程或手工假设，难以应对复杂和真实世界的应用。本文中，我们提出一种用于图像复原的深度广义展开网络（DGUNet）。具体而言，在不损失可解释性的前提下，我们将梯度估计策略集成到近端梯度下降（PGD）算法的梯度下降步骤中，使其应对复杂和真实世界的图像退化。此外，我们设计了跨不同 PGD 迭代中近端映射的 stage 间信息通路，以多尺度与空间自适应的方式纠正大多数深度展开网络（DUN）中固有的信息损失。通过集成灵活的梯度下降与信息丰富的近端映射，我们将迭代 PGD 算法展开为一个可训练的 DNN。在各种图像复原任务上的大量实验证明了我们的方法在最先进性能、可解释性与泛化性方面的优越性。源代码可在 https://github.com/MC-E/Deep-Generalized-Unfolding-Networks-for-Image-Restoration 获取。
引用
@article{arxiv.2204.13348,
title = {Deep Generalized Unfolding Networks for Image Restoration},
author = {Chong Mou and Qian Wang and Jian Zhang},
journal= {arXiv preprint arXiv:2204.13348},
year = {2022}
}
备注
Accepted by CVPR 2022