Restoration: From Sparse and Low-rank Priors to Deep Priors 阅读笔记
来源:http://www.comp.polyu.edu.hk/~cslzhang
图象恢复问题描述
公式表示
? = ?? + ? ,其中? 是退化矩阵,? 是加性噪声
图像恢复问题可以描述为给定观察到的y图像,从中恢复出原图像x。
图象恢复是一种不适定问题。
(适定问题是指定解满足下面三个要求的问题:① 解是存在的;② 解是唯一的;③ 解连续依赖于定解条件,即解是稳定的。这三个要求中,只要有一个不满足,则称之为不适定问题。)
图象恢复模型
核心问题:
退化过程模型建立
合适的先验条件(good priors)
稀疏表示
回顾线性代数??=?, 如何求解??
A满秩方阵,?=?-1?.
A列满秩矩阵(over-determined),有最小二乘解 ?= ?†? (伪逆)
A行满秩矩阵(under determined)?
优化模型: ?????(?) ?.?.??=?
不同目标函数?(?)可以得到不同的解,其中目标函数取
L2范数最小化的解为稠密解(解里有许多非0的值),但更多的时候,我们希望得到一个稀疏的解,即解里有许多0或接近0的值。
稀疏编码模型
为了得到稀疏解,取目标函数为L0范数。
但L0范数最小化为非凸的NP-hard问题。
而L1范数最小化是L0范数最小化的最紧的凸松弛。
最为广泛使用的稀疏编码模型形式如下:
稀疏编码的算法
L0范数最小化-贪婪搜索
匹配追踪MP
正交匹配追踪OMP
L1范数最小化-凸优化
迭代再加权最小二乘
近似梯度下降(迭代软阈值ISTA)
增广拉格朗日方法(乘子交替方向法ADMM)
MP&OMP
匹配追踪(MP)和正交匹配追踪(OMP)要解决的问题可以具体表示为:
在过完备字典?中选出k列,用这k列的线性组合近似表达待稀疏分解信号?,表示为,?=??,求?。
其中字典A和观测到的信号?已知。
过完备字典,即原子个数远大于信号长度,?=??中,过完备字典?为n*m尺寸,信号b长度为n*1,?为m*1。
MP算法的基本思想:
从过完备字典矩阵A(也称为原子库中),选择一个与信号? 最匹配的原子(某一列),最小二乘解逼近,再从信号?中减去这部分,求出信号残差,然后继续选择与信号残差最匹配的原子,反复迭代,信号?可以由这些原子的线性和,加上最后的残差值来表示。
由于字典原子不是相互正交的,有可能会使得每次迭代的结果不是最优的,需要很多次迭代才能收敛。
OMP算法思想:
在正交匹配追踪OMP中,残差是总与已经选择过的原子正交的。这意味着一个原子不会被选择两次,结果会在有限的几步收敛。
具体步骤其实就是用施密特正交化使每次选择的原子(字典某一列,基)与已经选择过的所有原子正交。另外,求残差也不是直接减ÿ