神经梯度正则化器
计算机视觉与模式识别
2023-09-14 v2 图像与视频处理
摘要
由于其显著成功，施加于梯度图上的先验一直是图像处理领域备受关注的课题。最具代表性的正则化器之一全变分（TV）以其捕捉梯度图底层稀疏先验的能力而著称。然而，TV 及其变体常低估梯度图，导致边缘与细节的弱化，而这些在原图像中梯度不应为零（即图像结构无法由梯度图的稀疏先验描述）。近来，全深度变分（TDV）被提出，其假设特征图的稀疏性，从而提供从大规模数据集为特定任务学习的灵活正则化。但 TDV 需随图像/任务变化重新训练网络，限制了其通用性。为缓解此问题，本文提出一种神经梯度正则化器（NGR），将梯度图表示为神经网络的输出。与现有方法不同，NGR 不依赖任何主观稀疏性或其他关于图像梯度图的先验假设，从而避免对梯度图的低估。NGR 适用于各类图像与不同图像处理任务，以零样本学习方式运作，成为一种通用且即插即用的正则化器。大量实验结果表明，在一系列不同任务上 NGR 优于最先进的同类方法，进一步验证了其有效性与通用性。
引用
@article{arxiv.2308.16612,
title = {Neural Gradient Regularizer},
author = {Shuang Xu and Yifan Wang and Zixiang Zhao and Jiangjun Peng and Xiangyong Cao and Deyu Meng and Yulun Zhang and Radu Timofte and Luc Van Gool},
journal= {arXiv preprint arXiv:2308.16612},
year = {2023}
}