利用核范数与学习图模型进行深度图像去噪
计算机视觉与模式识别
2020-08-11 v1
摘要
深度图像去噪因能反映三维（3D）场景并可应用于计算机视觉诸多领域，正日益成为研究热点。但由深度相机获取的深度图像通常含有噪声等污点，极大损害了深度相关应用的性能。本文考虑到基于分组的图像复原方法能更有效地聚集块间相似性，提出了一种基于分组的核范数与学习图（GNNLG）模型。对每个块，我们在搜索窗口内寻找并分组最相似的块。模型中利用了分组块固有的低秩性质。此外，我们研究了流形学习方法，并设计了一种有效的优化学习策略以获得反映图像拓扑结构的图拉普拉斯矩阵，从而进一步对去噪深度图像施加平滑先验。为实现快速与高收敛性，采用交替方向乘子法（ADMM）求解我们的 GNNLG。实验结果表明，所提方法在主观与客观准则上均优于其他当前最优去噪方法。
引用
@article{arxiv.2008.03741,
title = {Depth image denoising using nuclear norm and learning graph model},
author = {Chenggang Yan and Zhisheng Li and Yongbing Zhang and Yutao Liu and Xiangyang Ji and Yongdong Zhang},
journal= {arXiv preprint arXiv:2008.03741},
year = {2020}
}