基于组稀疏卷积字典学习的快速可解释非局部神经网络图像去噪

自然图像中的非局部自相似性已成为深度学习模型中日益流行的先验。尽管此类模型在图像复原上表现成功，由于其黑盒构造，它们大体上不可解释。我们先前的研究表明，通过展开字典学习算法，可解释地构造性能与最先进黑盒模型相当的完全卷积去噪器（CDLNet）。在本稿中，我们寻求具有非局部自相似性先验、性能与黑盒非局部模型相当的卷积网络的可解释构造。我们表明，通过将 CDLNet 的 $\ell 1$ 稀疏先验提升为加权组稀疏先验，可有效实现此类架构。由该公式，我们提出一种由稀疏数组算术赋能的新颖滑窗非局部操作。除与黑盒非局部 DNN 具竞争力性能外，我们展示所提滑窗稀疏注意力使推理速度比其竞争模型快一个数量级以上。