能行的去噪小引擎：基于去噪的正则化（RED）
计算机视觉与模式识别
2017-09-05 v3 数值分析
摘要
图像去噪是图像处理中广泛研究的问题。事实上，最近复杂且高效的去噪算法的出现使一些人认为现有方法在噪声去除性能方面已触及天花板。我们能否利用这一令人印象深刻的成就来处理图像处理中的其他任务？最近的工作以即插即用先验（Plug-and-Play Prior, ）方法的形式肯定地回答了这个问题，表明任何逆问题都可以通过顺序应用图像去噪步骤来处理。这在很大程度上依赖于ADMM优化技术以获得这种链式去噪解释。这是图像处理任务利用图像去噪引擎的唯一方式吗？在本文中，我们提供了一种替代的、更强大且更灵活的框架来实现相同目标。与方法相反，我们提出正则化由去噪实现（Regularization by Denoising, RED）：在定义逆问题的正则化时使用去噪引擎。我们提出了一种显式的图像自适应基于拉普拉斯的正则化泛函，使整体目标泛函更清晰且定义更好。由于完全灵活地选择迭代优化过程以最小化上述泛函，RED能够结合任何图像去噪算法，非常有效地处理一般逆问题，并保证收敛到全局最优结果。我们测试了该方法并在图像去模糊和超分辨率问题中展示了最先进的结果。
引用
@article{arxiv.1611.02862,
title = {The Little Engine that Could: Regularization by Denoising (RED)},
author = {Yaniv Romano and Michael Elad and Peyman Milanfar},
journal= {arXiv preprint arXiv:1611.02862},
year = {2017}
}