基于联合层次贝叶斯学习的序列图像恢复

基于间接、含噪或不完整数据恢复时序图像（视频）是一项重要而富有挑战的任务。我们具体考虑每个数据集都缺失关键信息，从而无法准确恢复单幅图像的情况。尽管一些近期（变分）方法已展示了基于联合恢复序列图像的高分辨率图像恢复，但由于参数调节以及对序列图像类型的限制，仍存在鲁棒性问题。在此，我们提出一种基于层次贝叶斯学习的方法，用于序列图像的联合恢复，该方法融合了图像内与图像间的先验信息。我们的方法通过从其他图像“借用”缺失信息来恢复每幅图像中的缺失部分。结果，所有单幅重建图像的精度均得到提升。我们的方法可用于多种数据采集方式，并支持不确定性量化。一些初步结果表明其在序列去模糊与磁共振成像中的潜在应用。