基于稀疏变换学习与加权奇异值最小化的图像去噪
图像与视频处理
2020-04-03 v1 计算机视觉与模式识别
摘要
在图像去噪（IDN）处理中，低秩性质通常被视为重要的图像先验。作为低秩的凸松弛近似，基于核范数的算法及其变体已引起极大关注。这些算法可统称为基于图像域的方法，其共同缺点是为获得可接受的解需要大量迭代。同时，图像在特定变换域中的稀疏性也已被用于图像去噪问题。稀疏变换学习算法可实现极快计算及良好性能。通过在通用框架中结合图像域与变换域两者的优势，我们提出了一种用于 IDN 问题的稀疏变换学习与加权奇异值最小化方法（STLWSM）。所提方法可充分利用两个域的长处。为求解非凸代价函数，我们还给出了一种高效的替代加速解。实验结果表明，相较于基于单一域的先进方法，所提 STLWSM 在视觉与定量上均取得大幅改进。它也比所有图像域算法所需迭代少得多。
引用
@article{arxiv.2004.00753,
title = {Image Denoising Using Sparsifying Transform Learning and Weighted Singular Values Minimization},
author = {Yanwei Zhao and Ping Yang and Qiu Guan and Jianwei Zheng and Wanliang Wang},
journal= {arXiv preprint arXiv:2004.00753},
year = {2020}
}
备注
17 pages, 10 figures, 5 tables