学习用于图像复原的深度CNN去噪器先验
计算机视觉与模式识别
2017-04-12 v1
摘要
基于模型的优化方法与判别学习方法一直是解决低层视觉中各种逆问题的两种主导策略。通常，这两类方法各有优缺点：例如，基于模型的优化方法灵活处理不同逆问题，但为获得良好性能通常使用复杂先验，耗时较长；同时，判别学习方法测试速度快，但其应用范围受限于专门任务。近期工作表明，借助变量分裂技术，去噪器先验可作为基于模型的优化方法的模块化部分插入以解决其他逆问题（如去模糊）。当去噪器通过判别学习获得时，这种整合带来显著优势。然而，关于与快速判别去噪器先验整合的研究仍然缺乏。为此，本文旨在训练一组快速有效的CNN（卷积神经网络）去噪器，并将其集成到基于模型的优化方法中以解决其他逆问题。实验结果表明，所学得的这组去噪器不仅取得有前景的高斯去噪结果，还可作为先验为各种低层视觉应用提供良好性能。
引用
@article{arxiv.1704.03264,
title = {Learning Deep CNN Denoiser Prior for Image Restoration},
author = {Kai Zhang and Wangmeng Zuo and Shuhang Gu and Lei Zhang},
journal= {arXiv preprint arXiv:1704.03264},
year = {2017}
}
备注
Accepted to CVPR 2017. Code: https://github.com/cszn/ircnn