一、简介
论文提出了一种新的方法来解决low-level视觉问题,它将稀疏编码和深度网络训练与去噪自动编码器(Denoising auto-encoder,DA)结合起来。可以从图像中自动删除像叠加文本这样的复杂模式,而不是仅处理像素随机丢失的简单模式。
论文主要使用灰度图像进行实验,作者也提出推广到彩色图像很容易(具体不知道。。)
图像去噪两大种方法:
第一种,将图像信号转换到另一个域(傅里叶变换等),使得更容易将噪声分离出来。
第二种,直接从图像域中捕获统计信息。稀疏编码方法从完备字典的稀疏线性组合中重建图像,字典是从数据中学习的,而不是人工编造的,这一学习步骤显着地提高了稀疏编码的性能。
图像修复方法可分为非盲修复和盲修复两类,在非盲修复中,需要修复的区域需要预先告诉算法,而在盲修复中,不给出损坏像素位置的信息,算法必须自动识别需要修复的像素。
非盲修复算法目前效果很好,论文主要针对困难的图像盲修复做了一些研究。
论文指出虽然稀疏编码模型在实际应用中表现良好,但它们都具有较浅的线性结构,提出将稀疏编码的优势“稀疏”和深度网络的“深度”相结合,解决图像去噪和盲修复问题。
论文使用DA对模型进行预训练,因为DA有助于去噪和修复。DA是一个两层的神经网络,它试图从含噪声的输入中重建原始输入。SDA(Stacked Denoising Auto-encoders)是一系列DA的叠加表示,前一层的输出经过激活函数作为下一层的输入,SDA广泛用于非监督预训练和特征学习。