利用非局部样本进行图像去噪的组稀疏残差方法
计算机视觉与模式识别
2018-03-23 v1
摘要
受基于组的稀疏编码启发，最近提出的组稀疏残差（GSR）方案在图像处理中展现出了优异的性能。然而，GSR 中的一个挑战是通过使用基于组的稀疏编码（GSC）的适当参考来估计残差，这要求该参考尽可能接近真实值。以往的研究利用了来自其他算法（即 GMM 或 BM3D）的估计，这些估计要么不够准确，要么太慢。在本文中，我们提出在图像去噪的 GSR 机制中使用非局部样本（NLS）作为参考，因此称为 GSR-NLS。更具体地说，我们首先通过图像的非局部自相似性获得组稀疏系数的良好估计，然后通过有效的迭代收缩算法求解 GSR 模型。实验结果表明，所提出的 GSR-NLS 不仅优于许多最先进的方法，而且在速度上具有竞争优势。
引用
@article{arxiv.1803.08412,
title = {Group Sparsity Residual with Non-Local Samples for Image Denoising},
author = {Zhiyuan Zha and Xinggan Zhang and Qiong Wang and Yechao Bai and Lan Tang and Xin Yuan},
journal= {arXiv preprint arXiv:1803.08412},
year = {2018}
}