VDIP-TGV：基于全广义变分增强变分深度图像先验的盲图像去卷积
计算机视觉与模式识别
2023-11-13 v2 多媒体
图像与视频处理
摘要
从模糊图像中以未知模糊核恢复清晰图像是一个具有挑战性的问题。深度图像先验（DIP）提出将深度网络用作单幅图像的正则化器而非监督模型，在非盲去模糊问题中取得了令人鼓舞的结果。然而，由于图像与网络架构之间的关系不明确，很难找到合适的架构来为估计的模糊核与干净图像提供充分约束。此外，DIP使用稀疏最大后验（MAP），不足以强制恢复图像的选择。近来，变分深度图像先验（VDIP）被提出，通过变分原理对模糊核与恢复图像同时施加约束，并在优化过程中考虑图像的标准差。但我们经实验发现，VDIP在处理图像细节方面存在困难，且当模糊核较大时倾向于生成次优结果。因此，本文将全广义变分（TGV）正则化与VDIP结合，以克服VDIP的这些缺陷。TGV是一种灵活的正则化方法，利用不同阶偏导数的特性在多尺度上正则化图像，在保持锐利边缘的同时减少油画状伪影。所提出的VDIP-TGV通过TGV补充额外的梯度信息，有效恢复图像边缘与细节。此外，该模型由交替方向乘子法（ADMM）求解，有效结合了传统算法与深度学习方法。实验表明，我们提出的VDIP-TGV在定量与定性上均超越了多种最先进（SOTA）模型。
引用
@article{arxiv.2310.19477,
title = {VDIP-TGV: Blind Image Deconvolution via Variational Deep Image Prior Empowered by Total Generalized Variation},
author = {Tingting Wu and Zhiyan Du and Zhi Li and Feng-Lei Fan and Tieyong Zeng},
journal= {arXiv preprint arXiv:2310.19477},
year = {2023}
}
备注
13 pages, 5 figures