本研究提出了一种利用现成去噪器方法解决反问题的替代方法,该方法需要较少的参数调整,通过自动调整参数,可以应对图像去模糊和修复等任务,并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。
Oct, 2017
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
基于贝叶斯方法解决的逆问题,通常相对于先验只在参数空间的低维子空间上有信息。因此,可以利用该子空间对参数的后验分布进行近似计算。本文从近似后验协方差矩阵和后验均值两个角度,提出了两种快速的近似方法,并在多个应用案例中进行了验证。
Jul, 2014
本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法,借助宫澤统计学理论和随机梯度上升算法,在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。
Jul, 2020
提出了一种无需显式图像先验信息的方法,通过共享低维结构来解决一组逆问题,其中可以处理许多具有通用结构的复杂实际问题,如图像降噪、相位恢复和黑洞视频重建等。
Apr, 2023
我们研究了确定性成像逆问题求解方法的行为,证明了为了实现高感知质量和与测量一致的重建,越好的预测器的利普希茨常数必须越大,这意味着这种方法对敌对攻击更加敏感。我们在单图像超分辨率算法上展示了我们的理论,并展示了如何利用这种不希望的行为来探索后验分布,从而使确定性模型模仿随机方法。
Nov, 2023
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
通过两种不同范例,学习正演算子在逆问题中的重建方法:完全对正演算子不可知的范例通过投影正则化找到重建,而基于测量过程的简化模型则依赖于训练数据来学习模型修正。这两种方法都需要训练数据不仅仅是正演算子,也是其伴随算子。
训练深度神经网络已成为解决图像恢复问题的常用方法,本文提出了一种基于预条件的新型引导技术,它在恢复方案中的实现要比现有方法简单,同时对噪声具有抗干扰性,适用于图像去模糊和超分辨率的任务。
Dec, 2023
本研究提出一种基于深度学习的图像去卷积方法,通过使用神经网络将点扩散函数(PSF)映射到单位冲激响应上,并通过对比映射后的 PSF 与单位冲激响应的差异来评估 PSF 适用于深度学习辅助去卷积的可能性,研究发现该方法在提高去卷积质量方面表现出良好的性能,可用于设计衍射光学元件和优于传统框架。
May, 2024