深度K-SVD去噪
机器学习
2020-11-19 v2 机器学习
摘要
本文研究图像去噪，聚焦于著名的K-SVD去噪算法。该基于稀疏性的方法于2006年提出，曾在短期内被视为state-of-the-art。然而多年来已被其他方法超越，包括近期基于深度学习的新方法。本文探讨的问题是：K-SVD在其原始构想中是否已臻顶峰，还是可以使其重新具有竞争力。我们回答该问题的方式是将算法重设计为以有监督方式运行。具体而言，我们提出一种具有精确K-SVD计算路径的端到端深度架构，并训练其以实现优化去噪。我们的工作展示了如何克服将K-SVD方案转变为可微因而可学习机器时所出现的困难。在少量待学习参数且保留原始K-SVD本质的情况下，所提架构被证明大幅优于经典K-SVD算法，并接近近期state-of-the-art的基于学习的去噪方法。在更广义的背景下，本工作触及围绕图像处理任务深度学习方案设计的主题，同时在经典方法与新深度学习方法中架起桥梁。
引用
@article{arxiv.1909.13164,
title = {Deep K-SVD Denoising},
author = {Meyer Scetbon and Michael Elad and Peyman Milanfar},
journal= {arXiv preprint arXiv:1909.13164},
year = {2020}
}