本文提出了一种基于加权各向异性 - 各向同性总变差作为正则化规则的泊松去噪模型，使用交替方向乘子法与近端算子相结合实现，最后通过数值实验证明了本算法在图像质量和计算效率方面优于其他泊松去噪方法。

Jul, 2023

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

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

该研究提出了一种基于自适应展开全变分网络的噪声估计方法，可以有效增强真实低光景象下的图像，并在实验中展示了其优越性。

Oct, 2021

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

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

给出一个新颖的交叉空间全变分（CSTV）正则化模型，通过引入四元数模糊算子和交叉颜色空间正则化函数，解决了彩色图像去模糊过程中复杂的耦合和结构模糊问题，并通过应用新的 L 曲线方法，能够找到不同颜色空间上正则化函数的平衡点。对彩色图像数据库的数值实验证明了该模型和算法的高效性和可操控性，其修复的彩色图像成功保持了颜色和空间信息，且在 PSNR、SSIM、MSE 和 CIEde2000 等指标上比现有方法的修复结果质量更高。

May, 2024

本文提出了一种基于结构张量的新的直接边缘导向图像超分辨率算法，使用各像素的各向同性高斯滤波器计算结构张量，根据其特征值将像素分为统一区域、角落和边缘三个不同类别，通过结构张量切线特征向量，确定边缘方向并用于沿边缘插值，与部分以前的边缘导向图像插值方法相比，该方法在客观和主观方面都达到了更高的质量。此外，该算法不需要优化处理即可实现更高的速度。

Feb, 2014

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

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