学习深度卷积网络用于去马赛克
计算机视觉与模式识别
2018-02-13 v1
摘要
本文对应用卷积神经网络（CNN）求解去马赛克问题进行了全面研究。本文提出两种 CNN 模型，它们学习马赛克采样与具有完整信息的原始图像块之间的端到端映射。在使用 Bayer 色彩滤波阵列（CFA）的情况下，在流行基准上与十种竞争方法的评估证实，CNN 模型由数据驱动自动学习的特征非常有效。实验表明，所提出的 CNN 模型在 sRGB 空间和线性空间中均能表现同样良好。还证明了该 CNN 模型能够执行联合去噪与去马赛克。该 CNN 模型非常灵活，可轻松用于任意 CFA 设计的去马赛克。我们训练了针对三种不同 CFA 的去马赛克 CNN 模型，并取得了优于现有方法的结果。凭借与任意 CFA 耦合的极大灵活性，我们提出了首个使用 CNN 对 CFA 设计与去马赛克方法进行数据驱动联合优化的方案。实验表明，自动发现的 CFA 模式与自动设计的去马赛克方法的组合显著优于当前最佳去马赛克结果。视觉对比证实，所提方法比现有方法减少了更多视觉伪影。最后，我们表明该 CNN 模型对于具有空间变化曝光与颜色的更一般去马赛克问题同样有效，并可用于单次拍摄获取更高动态范围的图像。所提模型与详尽实验共同表明，CNN 是求解去马赛克问题的一种有效且通用的工具。
引用
@article{arxiv.1802.03769,
title = {Learning Deep Convolutional Networks for Demosaicing},
author = {Nai-Sheng Syu and Yu-Sheng Chen and Yung-Yu Chuang},
journal= {arXiv preprint arXiv:1802.03769},
year = {2018}
}