用于通用图像恢复的判别式迁移学习
计算机视觉与模式识别
2018-07-04 v1
摘要
近期，已有数种判别式学习方法被提出用于有效的图像恢复，在图像质量与计算效率之间实现了令人信服的折中。然而，这些方法要求对每个恢复任务（例如去噪、去模糊、去马赛克）和问题条件（例如输入图像的噪声水平）进行单独训练。这使得在训练期间涵盖所有任务和条件既耗时又困难。在本文中，我们提出了一种判别式迁移学习方法，将形式化近端优化与判别式学习结合，用于通用图像恢复。该方法仅需单次训练，即可在各种问题和条件中复用，同时实现与以往判别式方法相当的效率。此外，在训练完成后，我们的模型可以轻松迁移到新的似然项以解决未训练的任务，或与现有先验相结合以进一步提升图像恢复质量。
引用
@article{arxiv.1703.09245,
title = {Discriminative Transfer Learning for General Image Restoration},
author = {Lei Xiao and Felix Heide and Wolfgang Heidrich and Bernhard Schölkopf and Michael Hirsch},
journal= {arXiv preprint arXiv:1703.09245},
year = {2018}
}