基于深度去噪器先验的即插即用图像复原
图像与视频处理
2021-07-14 v2 计算机视觉与模式识别
摘要
近期关于即插即用图像复原的研究表明，去噪器可隐式地作为基于模型方法的图像先验，以求解许多逆问题。当去噪器通过具有大模型容量的深度卷积神经网络（CNN）判别式地学习时，这种性质为即插即用图像复原带来了可观的优势（例如，融合了基于模型方法的灵活性与基于学习方法的实效性）。然而，尽管更深更大的 CNN 模型正迅速普及，现有即插即用图像复原因缺乏合适的去噪器先验而制约了其性能。为推进即插即用图像复原的极限，我们通过训练一个高度灵活且有效的 CNN 去噪器建立了一个基准深度去噪器先验。随后我们将该深度去噪器先验作为模块化部分插入基于半二次分裂的迭代算法中以求解各类图像复原问题。同时，我们提供了对参数设置、中间结果与经验收敛的透彻分析，以更好地理解其工作机制。在去模糊、超分辨率与去马赛克三个代表性图像复原任务上的实验结果表明，所提出的基于深度去噪器先验的即插即用图像复原不仅显著优于其他 SOTA 基于模型的方法，还取得了与 SOTA 基于学习的方法相当甚至更优的性能。源代码见 https://github.com/cszn/DPIR。
引用
@article{arxiv.2008.13751,
title = {Plug-and-Play Image Restoration with Deep Denoiser Prior},
author = {Kai Zhang and Yawei Li and Wangmeng Zuo and Lei Zhang and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:2008.13751},
year = {2021}
}
备注
An extended version of IRCNN (CVPR17). Project page: https://github.com/cszn/DPIR