DELAD：基于深度 Landweber 迭代引导并结合 Hessian 与稀疏先验的去卷积方法
图像与视频处理
2022-10-03 v1 计算机视觉与模式识别
摘要
我们提出了一种用于非盲图像去卷积的模型，该模型将经典迭代方法融入深度学习应用中。我们并非使用大型过参数化生成网络来生成清晰的图像表示，而是基于迭代 Landweber 去卷积算法构建网络，并将其与可训练卷积层相集成，以增强恢复出的图像结构与细节。除数据保真项外，我们还加入 Hessian 与稀疏约束作为正则化项，以提升图像重建质量。我们提出的模型是自我监督（self-supervised）的，仅基于输入的模糊图像及相应的模糊核即可收敛到解，无需任何预训练。我们使用标准计算机视觉基准数据集以及由我们研制的增强景深（EDOF）水下显微镜获取的真实显微图像来评估我们的技术，展示了模型在真实世界应用中的能力。定量结果表明，尽管参数量极少且未经预训练，我们的方法仍可与最先进（state-of-the-art）的非盲图像去模糊方法相媲美，证明了将经典去卷积方法嵌入深度网络中的效率与有效性。
引用
@article{arxiv.2209.15377,
title = {DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior},
author = {Tomas Chobola and Anton Theileis and Jan Taucher and Tingying Peng},
journal= {arXiv preprint arXiv:2209.15377},
year = {2022}
}
备注
9 pages, 7 figures