基于级联卷积残差去噪网络的深度图像去马赛克

去马赛克与去噪是现代数码相机图像处理流水线中最关键的步骤之一，其联合处理是一个高度不适定的逆问题，其中至少三分之二的信息缺失，其余信息被噪声污染。这在获得有意义的重建结果方面构成了巨大挑战，需要特别留意对该问题的高效处理。尽管近来已有若干机器学习方法被引入以处理联合图像去马赛克-去噪，本文提出一种受强大经典图像正则化方法与大规模凸优化技术启发的新型深度学习架构。因此，相较于其他有竞争力的深度学习方案，我们所推导的网络更具可解释性且拥有清晰的诠释。我们的大量实验表明，我们的网络在含噪与无噪数据上均优于以往任何方法。重建质量的这一提升归因于我们设计网络架构的原则性方式，其所需可训练参数也少于当前最先进的深度网络方案。最后，我们表明即便在小数据集上训练，我们的网络也能保持良好的泛化能力，同时将可训练参数总量维持在较低水平。