用于图像复原的完全可训练且可解释的非局部稀疏模型
计算机视觉与模式识别
2020-08-21 v5
摘要
非局部自相似性与稀疏性原理已被证明是自然图像建模的有力先验。我们提出了一种新颖的可微联合稀疏性松弛方法，该方法同时利用上述两个原理，并导出一个通用的图像复原框架，其具有（1）端到端可训练，（2）完全可解释，以及（3）比竞争深度学习架构紧凑得多的特点。我们将该方法应用于去噪、JPEG 去块和去马赛克，并表明在仅有少至 100K 参数的情况下，其在多个标准基准上的性能与参数可能多出一个数量级或更多的当前最优（SOTA）方法相当或更优。
引用
@article{arxiv.1912.02456,
title = {Fully Trainable and Interpretable Non-Local Sparse Models for Image Restoration},
author = {Bruno Lecouat and Jean Ponce and Julien Mairal},
journal= {arXiv preprint arXiv:1912.02456},
year = {2020}
}
备注
ECCV 2020