基于高阶自然图像先验模型的泊松噪声消除

泊松去噪是夜视、医学成像和显微镜等各种成像应用中的一个关键问题。近年来，SOTA 方法明显由基于图块的非局部方法主导。在本文中，我们旨在提出一种兼具结构简单性与良好性能的局部泊松去噪模型。为此，我们考虑采用变分建模来整合所谓的专家场图像先验，该先验已被证明是解决许多经典图像复原问题的有效高阶马尔可夫随机场模型。我们针对此任务探索了几种可行的变分变体。我们首先在原始图像域中考虑泊松噪声统计特性进行直接建模，这在高信噪比情况下通常表现良好。然而，该策略在低信噪比情况下遇到问题。随后我们转向另一种建模策略，使用 Anscombe 变换和由高斯统计导出的数据项。我们在变换域中直接重新训练 FoE 先验模型。借助新训练的 FoE 模型，我们最终得到一个局部变分模型，其结果与 SOTA 非局部方法相比极具竞争力，同时具备结构简单的特性。此外，我们提出的模型还有一个额外优势，即推断非常高效，非常适合在 GPU 上进行并行计算。对于大小为 $512 \times 512$ 的图像，我们的 GPU 实现只需不到 1 秒即可产生 SOTA 的泊松去噪性能。