利用全变分先验与期望传播的快速可扩展图像复原
计算机视觉与模式识别
2022-09-21 v1
摘要
本文提出一种可扩展的近似贝叶斯图像复原方法，使用全变分(TV)先验。与大多数基于最大后验估计的优化方法不同，我们利用期望传播(EP)框架来近似最小均方误差(MMSE)估计量与边缘（逐像素）方差，而无需借助蒙特卡洛采样。对于经典的基于各向异性 TV 的先验，我们还提出了一种通过期望最大化(EM)自动调整正则化参数的迭代方案。使用具有对角协方差矩阵的高斯近似密度，所得方法允许高度并行的步骤，并可扩展到用于去噪、去卷积和压缩感知(CS)问题的大幅图像。仿真结果表明，此类 EP 方法可提供与采样方法相当的后验估计，但计算成本仅为其一小部分。此外，与变分贝叶斯替代方法相比，EP 未表现出对后验方差的强烈低估。
引用
@article{arxiv.2110.01585,
title = {Fast Scalable Image Restoration using Total Variation Priors and Expectation Propagation},
author = {Dan Yao and Stephen McLaughlin and Yoann Altmann},
journal= {arXiv preprint arXiv:2110.01585},
year = {2022}
}
备注
14 pages