Dec, 2016

图像恢复的深度聚合交替最小化

PDF
TL;DR本文介绍了一种名为 DeepAM 的图像恢复通用框架，该框架使用卷积神经网络作为先验或正则化器，通过端到端学习来训练深度神经网络实现传统 AM 算法中的两个步骤（近端映射和？- 延续）。作者通过在大量数据上学习而获得的深度聚合的正则化器表现优于最近的数据驱动方法和非本地方法，并通过几个图像恢复任务来展示其灵活性和有效性，包括单张图像去噪、RGB-NIR 恢复和深度超分辨率。
regularization-based image restorationcomputer visionimage processingdeep neural networksend-to-end learning
发现论文，激发创造
  • 双域稀疏视角 CT 重建的学习交替最小化算法

    本文提出了一种新颖的学习交替最小化算法（LAMA），用于双域稀疏视图计算机断层成像（CT）图像重建，并在众多基准 CT 数据集上显示 LAMA 显着优于现有方法。

    Jun, 2023

  • 含噪标签深度 CNN 的辅助图像正则化

    研究如何使用图像正则化技术结合 Alternating Direction Method of Multipliers 算法训练深度卷积神经网络 (CNN)，从而有效解决真实数据集中由业余用户提供的标签错误导致的训练样本混淆问题。经过全面实验，证明该方法可以提高深度卷积神经网络的鲁棒性，有效抵抗训练数据中的标签噪声。

    Nov, 2015

  • GAMA-IR：全球累加多维均值用于快速图像恢复

    通过使用浅层网络和高效的块实现全局加性多维均值操作，我们介绍了一种图像复原网络，既具有快速执行速度又能提供优秀的图像质量。通过广泛的实验证明，我们的网络在各种任务上实现了与现有的最先进图像复原网络相媲美甚至更优秀的结果，并且具有较低的延迟。

    Mar, 2024

  • 超越反向传播：使用辅助变量的在线交替极小化

    本研究提出了一种新的在线 (ALternating Minimization) 方法来训练深度神经网络，同时也给出了该方法在随机设置下的理论收敛保证，并在不同体系结构和数据集上展示出具有前景的实证结果。

    Jun, 2018

  • 快速交替最小化解多图像匹配问题

    本文提出一种全局优化的方法，用于同时匹配多张图像，将问题表述为低秩矩阵恢复问题并提供了一种快速交替最小化算法来解决该问题，在模拟和真实实验中，该算法与最先进的算法相比具有相同的计算性能但加速一个数量级。最后，证明了该方法的适用性，可以通过匹配不同对象实例的图像来重建特定类别的对象模型。

    May, 2015

  • 面向深度图像恢复的按需学习

    本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

    Dec, 2016

  • 图像恢复的近端内点方法的深度展开

    通过深度展开法，结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率，成功实现了图像恢复，结果远优于传统方法。

    Dec, 2018

  • 基于全变差正则化深度图像先验的图像恢复

    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

  • 神经近端梯度下降在压缩成像中的应用

    通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

    Jun, 2018

  • 图像复原中的同时保真与正则化学习

    本文介绍了一种用于图像恢复的方法，在部分已知或精度不高的退化模型下，我们在最大后验框架中提出了一种系统的算法来处理。通过一组残缺和完整的图像对进行参数化和学习，同时学习正则化项，形成一个同时的保真度和正则化学习模型，有效地处理了图像去噪和去雨痕等问题。

    Apr, 2018