CVPRAug, 2020

使用深度去噪先验的即插即用图像恢复

PDF
TL;DR本研究旨在通过训练高度灵活和有效的深度 CNN 降噪器来构建深度降噪先验，将其作为模块化部分插入基于半二次分裂的迭代算法以解决各种图像恢复问题，实验结果表明所提出的方案不仅对于模型模拟的方法具有优势，对于学习方法也具有竞争性甚至更好的性能。
发现论文，激发创造
  • 学习深度 CNN 去噪先验用于图像恢复

    本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化，实现解决逆问题的目的，并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中，以便更好地应对各种相关低级视觉应用，实验结果表明，学习到的去噪器不仅在高斯去噪方面效果显著，而且可以作为先验信息，在各种低级视觉任务中也取得了良好的性能表现。

    Apr, 2017

  • 基于去噪先验的深度神经网络图像恢复方法

    本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。

    Jan, 2018

  • 深度图像先验

    本文研究了深度卷积神经网络用于图像生成和修复的方法，以及使用神经网络作为手工先验的能力，展示了这种方法在标准的逆问题中的卓越效果以及在检测深度神经网络表示和基于闪光和非闪光输入对图像进行修复方面的同等效果。

    Nov, 2017

  • 迭代去噪和背向投影图像恢复

    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

  • 任意模糊核的深度即插即用超分辨率

    本文提出了一种基于深度神经网络和插拔式图像恢复技术相结合的原理性公式和框架，使得任意位于低分辨率图像的模糊核能够被处理，为此设计了一个新的图像降级模型，并基于该模型提出一个基于变量分割技术的插拔式算法，实现了预处理和任意大小和类型的超分辨率。

    Mar, 2019

  • 用于即插即用图像恢复的去噪扩散模型

    本文提出了 DiffPIR，将传统的 plug-and-play 方法集成到扩散采样框架中，以期在保留扩散模型生成能力的同时完成图像还原任务，实验结果表明，DiffPIR 在三项代表性图像还原任务上取得了最先进的性能。

    May, 2023

  • 基于多码深度图像先验的即插即用 ADMM 图像去噪和 CT 重建

    本研究提出了多编码深度图像滤波方法，可避免过拟合问题并在图像去噪和 CT 重建问题中表现卓越。

    Apr, 2023

  • 基于随机去噪正则化的即插即用图像恢复

    插拔式（PnP）算法是一类迭代算法，通过结合物理模型和深度神经网络进行正规化，解决图像逆问题。我们提出了一个新的 PnP 框架，称为随机去噪正则化（SNORE），它只在恰当程度上含有噪声的图像上应用去噪算法，并基于明确的随机正则化得出了解决病态逆问题的随机梯度下降算法。对该算法及其退火扩展进行了收敛性分析。实验证明，SNORE 在去模糊和修补任务上与最先进的方法在定量和定性上都具有竞争力。

    Feb, 2024

  • 使用受限奇异值条件的即插即用先验恢复分析

    我们提出了一种基于深度神经网络的方法来建立 PnP/RED 的理论恢复保证，并展示了使用预先训练的去伪影网络进行压缩感知的 PnP 相比最新的生成式模型的压缩感知算法具有更好的恢复性能。

    Jun, 2021

  • 使用降噪器中隐式的先验信息解决线性反问题

    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