Oct, 2018

基于匹配追踪的全变分最小化图像去卷积

PDF
TL;DR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。
total variationinhomogeneous regularizationimage deconvolutionmatching pursuitcutting-plane method
发现论文，激发创造
  • 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

  • 合作总变差：矢量 TV 模型的通用框架

    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

  • 使用具有重叠组稀疏性的全变差进行图像恢复

    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

  • 总变差图像恢复的迭代收缩方法

    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

  • 计算机视觉的全变分优化层

    本文研究使用 total variation (TV) 最小化作为计算机视觉层，解决优化计算的问题，并在五个计算机视觉任务中取得了优于现有基准的结果，通过开发 GPU 加速 Newton 投影算法，提高了计算效率。

    Apr, 2022

  • 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

  • 图像恢复问题的最优参数结构

    研究了图像恢复变分模型中最佳正则化参数的定性特性，参数是作为约束条件的恢复问题的双层优化问题的解。我们考虑了一种常见的正则化器，涵盖了总变差、总广义变差和下确界卷积总变差。通过一定给定数据的条件，我们证明了由双层优化问题导出的最优参数存在，关键点在于证明了此证明存在性时最优参数远离 0。

    May, 2015

  • 一种带有转换总变差的图像分割模型

    使用基于转换的 l1 正则化的转换总变差 (TTV)，提出了带模糊成员函数的 TTV 正则化 Mumford--Shah 模型进行图像分割，并通过交替方向乘子法设计了求解算法。数值实验表明，在图像分割中使用 TTV 比传统的 TV 和其他非凸 TV 变体更有效。

    Jun, 2024

  • 多维总变差正则化的模块近端优化

    本文研究了电视正则化，对于 l_p - 范数 TV 提出了有效的算法，特别是对于 l_1 - 范数 TV 提出了一种新的几何分析方法，揭示了与 taut-string 方法的未知联系，并利用我们的几何引导实现了高效的 1D-TV 求解器，提供了更复杂（二维或多维）电视求解器的支撑，并探讨了通过广泛的实验在图像和视频降噪方面的优越性。

    Nov, 2014

  • 一种用于全变差最小化的收敛重叠域分解方法

    本文探讨了收敛性的顺序和并行重叠域分解方法，用于将关于数据的偏差项和总变差约束所形成的泛函最小化的非线性、非加性和非光滑问题。我们提供了几个数值实验，展示了算法在一维信号和二维图像的内插 / 修复问题以及压缩感知问题中成功的应用，用于从部分傅里叶系数集中恢复分段恒定的医学类型图像。

    May, 2009