标题(paper):Group Sparsity Residual Constraint With Non-Local Priors for Image Restoration
期刊 + 时间 + 有无源代码: IEEE TRANSACTIONS ON IMAGE PROCESSING, + 2020 + 没收集
作者: Zhiyuan Zha , Xin Yuan , Bihan Wen , Jiantao Zhou , and Ce Zhu
方法名及缩写: group sparsity residual constraint with nonlocal priors (GSRC-NLP)
算法框架:
流程图 :
主要创新点: 提出了group sparsity residual constraint (GSRC) model (组稀疏残差约束模型)同时结合image nonlocal priors (NLP) (图像非局部先验信息),构造了GSRC-NLP模型。
通过引入群稀疏性残差约束,进一步定义和简化了图像恢复问题,尝试减小群稀疏性残差。
动机: 由于某种形式的退化(例如,由于缺少1个或2个像素,传统的组稀疏表示模型可能无法很准确地估计图像中每个组的稀疏度,从而导致原始图像的失真重建。
目标函数:
A
^
i
=
arg
min
A
i
(
1
2
∥
Y
i
−
D
i
A
i
∥
F
2
+
λ
∥
A
i
−
B
i
∥
1
)
∀
i
.
\hat{A}_i=\arg\min_{A_i}\left(\frac{1}{2}\|Y_i-D_iA_i\|_F^2+\lambda\|A_i-B_i\|_1\right)\quad\forall i.
A^i=argAimin(21∥Yi−DiAi∥F2+λ∥Ai−Bi∥1)∀i.
i
i
i第
i
i
i个overlapped patches
D i D_i Di和稀疏重构的字典
A i A_i Ai是每组 Y i Y_i Yi的群稀疏系数
B i B_i Bi是第 i i i群 X i X_i Xi的群稀疏系数, λ \lambda λ为正则化参数。
优化步骤:
分为两步:首先利用 shrinkage/thresholding (IST) 方法进行图像去噪,其次利用ADMM方法快速收敛。具体细节查论文,不想写了。
这里给出一个定理可能以后求解能用(
l
2
l_2
l2范数+
l
1
l_1
l1范数的最小化):
x
^
=
arg
min
x
(
1
2
∥
a
−
x
∥
2
2
+
τ
∥
x
−
b
∥
1
)
\hat{\mathbf{x}}=\arg\min_{\mathbf{x}}\left(\frac{1}{2}\left\|\mathbf{a}-\mathbf{x}\right\|_{2}^{2}+\tau\left\|\mathbf{x}-\mathbf{b}\right\|_{1}\right)
x^=argxmin(21∥a−x∥22+τ∥x−b∥1)
注解:(优缺点 + 随便想记的内容 )
图像重构的论文不熟。