本文中提出了一种基于 Lagrangian 乘子的简单实现方法，即非局部 Lagrangian 乘子（NLLM），以减小噪声并增强有效图像信息，实验结果表明，该方法在恢复图像的客观和主观质量方面都优于其他恢复算法。

Aug, 2016

本研究提出使用重叠组稀疏总变差正则化器的优化问题，通过 $l_2$ 数据保真度项，避免楼梯状效应，从而实现保留边缘特征的图像恢复。同时，我们还提出了一种快速算法，并与现有的 TV 和 HTV 算法进行了比较，数值实验证明了该方法在 PSNR，相对误差和计算时间方面的高效性和有效性。

Oct, 2013

该研究聚焦于开发一种用于解决欠定线性反问题的空间变异正则化模型。研究案例为从少视角层析噪声数据中重建医学图像。通过应用适当的像素相关权重，该优化模型的主要目标是在去噪和保留细节和边缘之间取得良好平衡，克服了广泛使用的总变差（TV）正则化方法的性能。提出的策略利用梯度逼近来计算空间变异 TV 权重。为此，设计了一个卷积神经网络，使用其训练中的弹性损失函数来逼近真值图像及其梯度。此外，本文对所提出的模型进行了理论分析，展示了其解的唯一性，并展示了针对特定问题的 Chambolle-Pock 算法。这一综合框架将创新的正则化技术与先进的神经网络能力相结合，展示出在从低采样层析数据中实现高质量重建方面的有 promising 结果。

Apr, 2024

提出了一种基于迭代收缩方法和 TV 功能的算法，可以高效地处理大型数字图像，实现从退化图像中恢复原始图像。

Oct, 2009

本研究考虑了用于压缩感知的总变差最小化问题，并使用广义交替投影算法进行求解。结果表明，该算法在压缩感知中表现优异，包括二维图像、高光谱图像和视频。我们进一步推导了针对视频和高光谱图像压缩感知的 ADMM 框架，并提供了 GAP 和 ADMM 之间的联系。

Nov, 2015

本文提出了一种基于三维张量的颜色图像的协作总变差（CTV）型正则化方法，通过在不同维度上取不同范数来确定它的平滑性，不同的范数具有不同的性质。在理论和实践方面得到了很好的验证和应用。

Aug, 2015

本文提出了一种使用非局部先验的 CS 方法，称为 NL-CS Net，通过学习解决非局部和稀疏正则化优化问题的扩展 Lagrangian 方法的每个阶段来解决现有网络方法的不足，其中重要参数是端对端学习的，并且在自然图像和磁共振成像实验中表现出更好的性能。

May, 2023

本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

Apr, 2014

本文介绍了使用总变差最小化从欠采样噪声测量中准确和鲁棒地恢复图像的近乎最优保证，并证明了能够通过 O（slog（N））个非自适应线性测量对图像进行重建，最多可以达到其梯度最佳 s 项近似，这个对数因子可以通过取更多的测量来消除

Feb, 2012

本研究提出了一种匹配追踪全变差正则化的方法，即 MPTV，通过使用不均匀正则化来解决传统 TV 正则化的过度平滑和解决偏差问题，该方法在图像去卷积方面表现出优异的性能。

Oct, 2018