使用全变分正则化深度图像先验的图像复原
计算机视觉与模式识别
2018-10-31 v1
摘要
在过去十年中，稀疏驱动的正则化显著改善了图像重建。传统的正则化器，如全变分（TV），依赖于稀疏性的解析模型。然而，受深度学习启发，该领域日益转向可训练模型。深度图像先验（DIP）是近期一种不使用数据驱动训练而采用卷积神经网络（CNN）架构的正则化框架。本文将 DIP 框架与传统 TV 正则化相结合进行扩展。我们表明，在图像去噪和去模糊等若干传统复原任务上测试时，加入 TV 带来了可观的性能提升。
引用
@article{arxiv.1810.12864,
title = {Image Restoration using Total Variation Regularized Deep Image Prior},
author = {Jiaming Liu and Yu Sun and Xiaojian Xu and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:1810.12864},
year = {2018}
}