基于广义高斯混合模型块先验的图像去噪
图像与视频处理
2018-06-12 v2 计算机视觉与模式识别
统计理论
机器学习
统计理论
摘要
块先验已成为图像复原的重要组成部分。此类复原算法中一种有力的方法是广受欢迎的期望块对数似然(Expected Patch Log-Likelihood, EPLL)算法。EPLL使用在干净图像块上学习到的高斯混合模型(Gaussian mixture model, GMM)先验来正则化退化块。在本文中，我们表明广义高斯混合模型(generalized Gaussian mixture model, GGMM)比GMM更好地捕捉块的底层分布。尽管GGMM是与EPLL结合的强大先验，但其分量的非高斯性给应用于计算密集的图像复原过程带来了重大挑战。具体而言，每个块必须经过块分类步骤和收缩步骤。这两个步骤用GMM先验可有效求解，但使用GGMM先验时在计算上不切实际。在本文中，我们提供近似和计算方法以实现这两个步骤的快速评估，从而使EPLL能够在具有超过数万个块的图像上嵌入GGMM先验。我们的主要贡献是基于深入的理论分析来评析我们近似的精度。我们的评估表明，GGMM先验在建模图像块分布上始终是一种更好的拟合形式，并且在图像去噪任务中平均表现更优。
引用
@article{arxiv.1802.01458,
title = {Image denoising with generalized Gaussian mixture model patch priors},
author = {Charles-Alban Deledalle and Shibin Parameswaran and Truong Q. Nguyen},
journal= {arXiv preprint arXiv:1802.01458},
year = {2018}
}