本文提出了一种新的图像去噪正则化模型，结合了各向异性全变差模型和结构张量全变差模型，通过应用 ATV 模型中的矩阵加权算子到 STV 模型中的基于块的 Jacobian 矩阵，能够更好地维护本地特征，比其他基于全变差模型和 STV 模型的知名方法产生更好的恢复质量。

Jun, 2023

本文介绍了使用卷积神经网络和 Poisson 分布进行图像去噪的方法，通过特定峰值的图片训练网络可以显著提高图像去噪效果，并且此方法灵活、数据驱动，速度更快。同时，结合图像先验信息，处理同类别图片可以进一步提高性能表现。

Jan, 2017

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。

Oct, 2018

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

本文探讨了如何从 Poisson 数据中准确地重建分布式现象，运用了带惩罚项的负 Poisson 对数似然目标函数，并结合采用分离二次近似和 l1 范数、总变差半范数以及基于分区的多尺度估计方法等关键思想。

May, 2010

本文提出了一种基于全卷积神经网络的图像去噪方法，既简单又强大，可以应对不同噪声水平和分布（高斯和泊松），并且利用语义类信息实现了类感知。

Aug, 2018

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

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

扩散模型对低分辨率图像进行去噪，利用自然渲染信息进行条件控制，与现有方法在不同采样率下有较强竞争力，但当前指标未能准确评估重建质量。

Mar, 2024