基于耦合字典学习的多模态图像去噪

本文提出一种新的多模态图像去噪方法，在给定图像模态中，借助引导图像模态来衰减白高斯加性噪声。所提出的耦合图像去噪方法包括两个阶段：耦合稀疏编码与重建。第一阶段针对一组学习到的耦合字典对多模态图像执行联合稀疏变换，随后对稀疏表示进行收缩操作。然后，在第二阶段，收缩后的表示与耦合字典通过逆变换共同参与去噪图像的重建。所提出的去噪方案展示了捕捉不同数据模态共性与差异特征的能力。该能力使我们的方法对引导图像与目标图像间的不一致更具鲁棒性，从而克服如纹理复制伪影等缺陷。在真实多模态图像上的实验表明，相较于当前最优（SOTA）方法，所提方法能更好地利用引导信息，在图像去噪任务中带来显著增益。