APP下载

基于近似U型网络结构的图像去噪模型

2022-08-24靳华中张修洋叶志伟张闻其夏小鱼

计算机应用 2022年8期
关键词:信息模型

靳华中,张修洋,叶志伟,张闻其,夏小鱼

(湖北工业大学计算机学院,武汉 430068)

0 引言

图像去噪在许多实际应用中是必不可少的[1]。在图像处理的低层视觉中它是一个经典且具有挑战性的问题。根据图像退化模型y=x+v,图像去噪的目标是从噪声观测值y中恢复出干净的图像x,而一个常见的假设是v为标准差为σ的加性高斯白噪声[2]。在过去的几十年中,人们提出各种算法对图像进行先验建模,并且有些取得了不错的效果,例如块匹配三维协调滤波(Block-Matching and 3D coordinated filtering,BM3D)算法[3]、同时稀疏编码学习(Learned Simultaneous Sparse Coding,LSSC)算法[4]、非局部集中的稀疏表示(Nonlocally Centralized Sparse Representation,NCSR)算法[5]和加权核范数最小化(Weighted Nuclear Norm Minimization,WNNM)算法[6]。尽管上述算法去噪效果较好,但大多数都存在两个缺点:第一,这些算法通常在测试阶段的优化步骤很复杂,导致去噪整体耗时较长;第二,这些算法的模型通常是非凸的,并且大多数参数需要手动选择。为了克服上述缺点,Schmidt 等[7]出了一种收缩场级联(Cascade of Shrinkage Fields,CSF)算法,将基于随机场的模型和展开的半二次优化算法统一到一个学习框架中。Chen 等[8]提出了一种可训练的非线性反应扩散(Trainable Nonlinear Reaction Diffusion,TNRD)模型,该模型通过展开固定数目的梯度下降推理步骤来学习图像的修改域先验。尽管CSF 和TNRD 在运算效率和去噪效果方面展现出了较好的结果,但它们本质上受限于先验的形式。具体来说,它们的先验是基于分析的模型,即只能捕捉到图像结构的部分特性,并且参数都需要手动设置,导致其具有一定的局限性。随着深度学习的兴起,人们开始尝试使……

登录APP查看全文

猜你喜欢

信息模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
订阅信息
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
展会信息
一个相似模型的应用
信息
健康信息
健康信息(九则)