2009-CVPR - Image deblurring and denoising using color priors

项目地址：http://neelj.com/projects/twocolordeconvolution/ 没有代码=_=
微软研究院

• 非盲去模糊
• 基于MAP
• 超拉普拉斯先验+颜色先验

文章首先分析了Levin等人使用超拉普拉斯分布惩罚图像梯度（次线性惩罚函数），相比高斯分布更能建模自然图像0峰重尾梯度分布（the zero-peaked and heavy tailed gradient distributions）。
但是有以下两个限制：
（1）尽管它是想使去卷积后产生的图像在梯度上具有超拉普拉斯分布，但是该先验在实现时是为对梯度模长的惩罚。因此，它本质上还是一个“平滑先验”，较大的梯度仍然会导致较大的损失。
（2）不能处理强噪声。通过增加稀疏梯度的权值可以去除噪声，但是过度平滑的结果。如果减小权值，则会锐化噪声。如图中（c）和（d）：

然后文章就提出了颜色先验，The TwoColor Model。从这篇文章比较难理解该模型，参考文献[4]（Video and Image Bayesian Demosaicing with a Two Color Image Prior）给了比较详细的解释。

先说一般情况，“双色模型”假设潜在图像中每个像素的颜色都可以有其邻域中两个代表颜色（分别成为为主颜色和次颜色）来线性表示。
其中代表颜色通过对该像素$5\times 5$的邻域内像素的颜色值进行K-Means聚类（k=2）得到。聚类时还对邻域像素到中心像素（即该像素）的距离进行了加权。

We use a weighted K-Means in which the weight is the inverse Euclidean distance from each sample to the center of the kernel.

如果其中一个类簇过小（标准差小于噪声的标准差）就变成了“单色模型”。论文中使用一组二进制变量存储每个像素是属于“单色”还是“双色”。

接着说如何施加颜色先验，对于双色模型：

对于单色模型：

Primary和Secondary分别表示主颜色和次颜色，$L(I|P,S)$表示对潜在图像$I$的先验。

系数$\alpha$定义为：

$\rho (\alpha )=b|\alpha {|}^a$表示清晰图像$\alpha$值分布的先验，文章通过对一组清晰图像的$\alpha$值分布进行拟合算出参数a和b的值。
$$\begin{array}{r}b=1.6216;a=0.0867\alpha >0\\ b=2.2712;a=0.2528\alpha <0\end{array}$$
且$\rho (\alpha )$是关于$\alpha =0.5$对称的，如下图所示，在0和1出取得最小值。

主要步骤：
（1）单独使用稀疏梯度先验去卷积得到初始潜在图像$I_0$;
（2）通过局部EM聚类方法从$I_{j-1}$中估计出$P_j$和$S_j$；
（3）通过$P_j$和$S_j$作为颜色先验进行去卷积得到$I_j$j。