论文阅读-Learning Deep CNN Denoiser Prior for Image Restoration

本文探讨了如何将深度CNN去噪器应用于图像恢复的优化方法中,利用变量分离技术,将训练出的高效CNN去噪器作为图像先验,解决了求逆问题。文章介绍了HQS方法,展示了如何在保真项和正则项之间进行变量分离,并详细描述了所提出的深度CNN去噪器模型,该模型包含七层和空洞卷积,以扩大感受野。此外,还讨论了训练策略,如批标准化、残差学习和小尺寸样本训练,以及针对不同噪声水平的特定去噪模型的训练。
摘要由CSDN通过智能技术生成

Zhang K, Zuo W, Gu S, et al. Learning Deep CNN Denoiser Prior for Image Restoration[J]. 2017.

1.引言

图像恢复(image restoration,IR)  ——从退化模型中恢复出干净的图像x

                   退化模型:  ,其中H是退化矩阵,v是附加噪声。

图像恢复有三种典型的任务,在图像去噪中,H是单位矩阵(identity matrix); 图像去模糊中,H的模糊算子;图像超分辨中,H是下采样和模糊的复合算子。

从贝叶斯的角度分析,x的估计()可以通过MAP(最大后验估计)问题求解:

           

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值