基于群的稀疏表示用于图像复原
计算机视觉与模式识别
2014-05-15 v1
摘要
传统的基于块的自然图像稀疏表示建模通常存在两个问题。首先，它必须在字典学习中求解具有高计算复杂度的大规模优化问题。其次，在字典学习和稀疏编码中每个块被独立考虑，忽略了块之间的关系，导致稀疏编码系数不准确。本文不以块作为稀疏表示的基本单元，而是利用由具有相似结构的非局部块组成的群作为稀疏表示的基本单元，并建立了一种称为基于群的稀疏表示 (GSR) 的新型自然图像稀疏表示模型。所提出的 GSR 能够在群域中稀疏地表示自然图像，从而在一个统一的框架中同时强制图像的内在局部稀疏性和非局部自相似性。此外，设计了一种针对每个群的低复杂度有效自适应字典学习方法，而非从自然图像中学习字典。为了使 GSR 可行且鲁棒，开发了一种基于分裂 Bregman 的技术，以高效求解所提出的 GSR 驱动的图像复原最小化问题。在图像修复、图像去模糊和图像压缩感知恢复方面的大量实验表明，所提出的 GSR 模型在 PSNR 和视觉感知方面均优于许多当前的最先进方案。
引用
@article{arxiv.1405.3351,
title = {Group-based Sparse Representation for Image Restoration},
author = {Jian Zhang and Debin Zhao and Wen Gao},
journal= {arXiv preprint arXiv:1405.3351},
year = {2014}
}
备注
34 pages, 6 tables, 19 figures, to be published in IEEE Transactions on Image Processing; Project, Code and High resolution PDF version can be found: http://idm.pku.edu.cn/staff/zhangjian/. arXiv admin note: text overlap with arXiv:1404.7566