PnP-ReG：用于即插即用梯度下降的学习化正则化梯度
图像与视频处理
2023-03-07 v3 计算机视觉与模式识别
机器学习
摘要
即插即用（Plug-and-Play, PnP）框架能够将先进的图像去噪先验整合到优化算法中，从而高效求解通常表述为最大后验（Maximum A Posteriori, MAP）估计问题的各类图像复原任务。即插即用交替方向乘子法（ADMM）与基于去噪的正则化（Regularization by Denoising, RED）算法是此类方法中实现图像复原突破的两个例子。然而，前者仅适用于近端算法，且近来已有研究表明，当去噪器缺乏雅可比对称性（这恰好是大多数实用去噪器的情况）时，不存在解释 RED 算法的正则化项。据我们所知，目前尚无训练网络直接表示正则化项梯度并可直接用于基于梯度的即插即用算法的方法。我们证明，可以在联合训练相应 MAP 去噪器的同时，训练一个直接建模 MAP 正则化项梯度的网络。我们将该网络用于基于梯度的优化方法中，并相较于其他通用即插即用方法取得了更好的结果。我们还表明，该正则化项可用作展开式梯度下降的预训练网络。最后，我们证明所得去噪器能够实现即插即用 ADMM 更好的收敛性。
引用
@article{arxiv.2204.13940,
title = {PnP-ReG: Learned Regularizing Gradient for Plug-and-Play Gradient Descent},
author = {Rita Fermanian and Mikael Le Pendu and Christine Guillemot},
journal= {arXiv preprint arXiv:2204.13940},
year = {2023}
}