1、L1范数为什么可以去噪
L1 范数正则化和稀疏性（这个描述正则化和L1范数稀疏性的很清晰）
老师：
- 简单来说，你首先要知道一个图像的梯度的L1范数是怎么求的
- 噪声图像梯度的1范数和没有噪声图像梯度的1范数，你想想谁的1范数会更大
- 这也是为什么根据TV模型去噪得到的图像会有阶梯效应的原因
由于图像上一般会有噪声，当进行图像恢复时，可能会放大噪声，所以我们需要在恢复图像的过程中，也就是在最优化问题的模型中添加一个正则项来保持图像的光滑。
TV模型就是一种常用的正则项：也就是图像梯度的L1-norm。
在有噪声的地方，图像的梯度会比较大，我们希望得到一个没有噪声的图像，所以要使梯度小一些，得到一个梯度较小的图像。
可以通过求泛函的极值，也就是利用欧拉-拉格朗日条件来求解。
去噪时通常还会添加一个保真项，以免为了过度去噪而是图像不再像原始图像。
那为什么要用图像梯度的L1-norm，而不是L2-norm或者其他范数呢？
因为用L1-norm的话，可以提高稀疏性，这样会使学习的模型不会在意数据集具体噪声等一些不必要的特征，使模型具有一定的泛化效果。
阶梯效应理解
有噪声图像的梯度的L1范数要大一些，在对有噪声的那块区域去噪之后，跟没有噪声的区域，也就是没有进行平滑的地方相比，灰度值会发生变化，所以会产生块效应。
2999
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
