Aug, 2016

利用非局部拉格朗日乘子的总变差重建压缩感知

PDF
TL;DR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。
total variationcompressive sensingnonlocal means filterlagrangian multiplierrecovery algorithms
发现论文，激发创造
  • 非局部正则化改进全变差图像压缩感知恢复

    本文介绍了一种基于改进的总变分和非局部正则化的算法，用于压缩感知图像恢复，提高了压缩采样图像的恢复质量和去除了不受欢迎的阶梯效应。

    Aug, 2012

  • 基于非局部拉格朗日乘子和基于块的稀疏表示的图像和视频块压缩感知

    本文提出了一种新的改进型总变分技术，利用多块梯度处理、去噪的 Lagrange 乘子和基于图块的稀疏表示方法来改善像素边缘模糊、细节丢失和高频振荡等问题，该方法不仅适用于图像的压缩感知恢复，而且可用于视频的压缩感知恢复。经模拟结果表明，所提出的方法在客观和主观质量上都提升了压缩感知图像和视频的恢复性能。

    Mar, 2017

  • 利用全变差最小化实现稳定的图像重建

    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

  • NL-CS Net: 基于非局部先验的图像压缩感知深度学习

    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

  • 图像反问题的约束优化表达式的增广 Lagrangian 方法

    本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

    Dec, 2009

  • 使用变量分裂和约束优化进行快速图像恢复

    本文提出一种基于 ADMM 的快速图像恢复算法，该算法支持基于小波或总变差正则化的形式，并已在一系列图像恢复基准问题上证明其优于现有最先进方法。

    Oct, 2009

  • 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复

    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

  • 少视角层析成像中由学习技术增强的空间变差全变差

    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

  • 非局域强化卷积神经网络图像去噪

    该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

    Mar, 2018

  • 鲁棒反量化压缩感知

    本文旨在研究数据压缩中由于舍入和饱和误差而引起的重构问题，提出了考虑量化和饱和误差的约束条件和加权 l2——l1 范数优化目标函数，采用增广 Lagrange 方法求解得到一个稳健的一致性解。同时，文章还对之前的相关建模方案进行了广泛的计算比较。

    Jul, 2012