研究使用双层优化方法在高阶总变分图像重建模型中进行参数学习，提出并分析一种基于 Huber 正则化 TV 半范数的替代代价，验证解算符的可微性，并推导出一种一阶最优系统。基于伴随信息，提出了一个拟牛顿算法来数值解决双层问题。通过数值实验展示了我们的方法的适用性和新代价函数的改进性能。同时，利用双层优化框架，对比了 TGV^2 和 ICTV，在处理图像结构和噪声水平方面的优缺点。

Aug, 2015

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

利用变分正则化方法求解线性反问题时，采用超参数调节正则化项，通过强化先验信息来提高求解结果，核心问题在于如何选择一个合适的正则化参数。本文提出了一个新的条件来更好地描述正则化参数的正性，并验证和探索了这个新条件，同时也探究了这个新条件在小和大维问题上的应用。

May, 2023

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

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

本研究探索将传统的稀疏型正则化与深度图像先验（DIP）框架相结合，通过使用卷积神经网络（CNN）架构和传统的总变差（TV）正则化方法，证明了在图像去噪和去模糊等传统恢复任务中，引入 TV 会带来相当大的性能提升。

Oct, 2018

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

介绍了一种新的数据驱动的总变分正则化器，将反问题的变分公式与深度学习相结合，使用卷积神经网络提取多尺度和连续块中的局部特征， 实现了全局优化控制和相对于正则化器的参数和初值的稳定性分析，并在众多成像任务上实现了最先进的结果。

Jun, 2020

无监督双层优化策略可用于在成像反问题中学习正则化参数，解决加性白高斯噪声存在的问题。与依赖参考数据的监督和半监督度量以及依赖噪声统计的部分知识的方法相比，该方法无需地面真实数据，通过优化观测数据和观测模型之间残差的白化程度。我们在标准的总变差正则化图像去卷积问题上验证了该方法，结果表明提出的质量度量估计接近于均方误差和差异性原则。

Mar, 2024