用于低秩张量补全的深度即插即用先验
计算机视觉与模式识别
2020-05-05 v3 图像与视频处理
摘要
彩色图像和多光谱图像等多维图像具有高度相关性，并包含丰富的空间与光谱信息。然而，现实世界中的多维图像通常因缺失元素而受损。通过将确定性低秩先验集成到数据驱动的深度先验中，我们提出了一种用于多维图像补全的新型正则化张量补全模型。在目标函数中，我们采用新近出现的张量核范数（TNN）来刻画多维图像的全局低秩先验。我们还通过插入一个去噪神经网络（称为深度去噪器）来表述一个隐式正则化器，其被确信表达了从大量自然图像中学到的深度图像先验。所得模型可在即插即用（PnP）框架下通过交替方向乘子法求解。在彩色图像、视频和多光谱图像上的实验结果表明，所提方法能很好地恢复全局结构与精细细节，并在质量指标和视觉效果上取得优于对比方法的性能。
引用
@article{arxiv.1905.04449,
title = {Deep Plug-and-play Prior for Low-rank Tensor Completion},
author = {Xi-Le Zhao and Wen-Hao Xu and Tai-Xiang Jiang and Yao Wang and Michael Ng},
journal= {arXiv preprint arXiv:1905.04449},
year = {2020}
}
备注
Accepted by Neurocoputing. Code availiable at https://github.com/TaiXiangJiang/Deep-Plug-and-Play-Prior-for-Low-Rank-Tensor-Completion