【论文阅读】Deep Non-Blind Deconvolution via Generalized Low-Rank Approximation

题目：Deep Non-Blind Deconvolution via Generalized Low-Rank Approximation
题目：深度非盲反卷积，通过广义低秩近似
日期：2018
作者：Wenqi Ren

关键词

非盲反卷积，CNN
实验在，散焦模糊、运动模糊
数据集：BSD500dataset
P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik. Contour detection and hierarchical image segmentation.TPAMI, 33(5):898–916, 2011.
数据集创建方式可以借鉴：由清晰的图像，根据高斯模型和圆盘模型，生成离焦模糊的图像。
评价：PSNR、SSIM

摘要

本文提出了一种深度卷积神经网络来捕获图像退化的固有特性，该神经网络可以在一个统一的框架内处理不同的内核和饱和像素。该神经网络是由伪逆核的低秩性驱动的。

具体来说，我们首先对大量的模糊核计算一个广义的低秩近似，然后使用可分离滤波器初始化网络中的卷积参数。我们的分析表明，估计的分解矩阵包含了输入核的最基本信息，这保证了所提出的网络能够在统一的框架内处理各种模糊，并生成高质量的去模糊结果。在具有噪声和饱和像素的基准数据集上的实验结果表明，所提出的基于广义低秩近似的反卷积方法在目前的情况下性能良好。

1 introduction

非盲反卷积罗列简介。

主要贡献：
1建立了优化方案与神经网络之间的联系，提出了一种利用核可分结构初始化网络权值的图像反卷积方法，该方法可推广到任意模糊核。
2分析了各种核类型和核大小的低秩性，这是建立统一反卷积网络的关键。
3我们用最先进的方法对所提出的方法进行了定量评估。分析结果表明，该方法可以有效地减少明显的振铃现象和视觉现象，特别是在模糊图像保留噪声和饱和像素的情况下。

2 相关工作

非盲解卷积相关的

空间域的
频域的
数据驱动的（学习）