FiRe：恢复先验的固定点
图像与视频处理
2025-06-10 v2 计算机视觉与模式识别
摘要
为补偿测量算子导致的信息损失，选择合适的先验是图像逆问题中的根本性挑战。基于去噪神经网络的隐式先验已成为广泛使用的框架（如插拔式PnP算法）的核心。在本工作中，我们引入固定点的恢复（FiRe）先验作为一种新的框架，用于扩展PnP中先验的概念，以适用于传统去噪模型之外的各种恢复模型。FiRe的核心洞见在于，光滑图像作为去除损坏算子与相应恢复模型复合作用后的固定点。由此，我们能够通过量化该复合操作下图像的不变性来推导我们的隐式先验的显式公式。采用这种固定点视角，我们展示了各种恢复网络如何有效地作为解决逆问题的先验。FiRe框架进一步支持将多个恢复模型的集成式组合，以及基于获取信息的恢复网络，全部纳入统一的优化方法中。实验结果在各种逆问题中验证了FiRe的有效性，确立了将预训练的恢复模型纳入PnP类算法中的新范式。代码已公开于https://github.com/matthieutrs/fire。
引用
@article{arxiv.2411.18970,
title = {FiRe: Fixed-points of Restoration Priors for Solving Inverse Problems},
author = {Matthieu Terris and Ulugbek S. Kamilov and Thomas Moreau},
journal= {arXiv preprint arXiv:2411.18970},
year = {2025}
}