学习深度CNN去噪先验用于图像恢复(Learning Deep CNN Denoiser Prior for Image Restoration)
机翻：
基于模型的优化方法和区别的学习方法已经解决各种逆问题的两种主要策略在低级视觉领域。通常情况下,这两种方法有各自的优点和缺点,例如，基于模型的优化方法处理不同的逆问题很灵活，但通常需要花费大量时间和复杂的先验信息来获得良好表现;
同时,基于区别学习方法测试速度快,但其应用范围大大受到专业的任务限制。最近的工作表明,借助变量分裂技术,降噪前可以插入一个模块化的基于模型的优化方法来解决逆问题(例如,由模糊变清晰)。这样一个集成降噪时引发相当大的优势获得通过歧视学习。然而,对集成快速区别的降噪前研究仍缺乏。为此,本文旨在训练一套快速、有效的CNN(卷积神经网络)denoisers并将它们集成到基于模型的优化方法来解决其他的逆问题。实验结果证明学习的denoisers不仅能达到承诺的高斯去噪结果也可以用作先验信息来实现各种低级视觉应用提供良好的性能。
1、前言
图像恢复(IR)一直是一个长期存在的问题以其高度的实用价值在不同的低级视觉应用。一般来说,图像恢复的目的是从退化观察恢复潜在的清晰图像。
H是退化矩阵，v是加性高斯白噪声的标准差σ。通过指定不同的退化矩阵,可以相应地得到不同IR任务。三个经典的IR任务：图像去噪中H是一个单位矩阵,图像去模糊中H是模糊算子,图像超分辨率中H是一个复合算子包括模糊和下采样。
由于IR是一个不适定反问题,要采用先验信息也称正则化来约束的解空间。
从贝叶斯的角度来看,解ˆx可以通过解决一个最大后验(MAP)的问题。观测值的对数似然，x的先验与y无关。
由一个保真项和正则项组成，包含了权衡参数。保真度项保证了解符合退化过程，而正则化项则加强了输出的期望性质。
一般来说,解决Eqn2的方法可以分为两大类，基于模型的优化方法和识别学习方法。基于模型的优化方法旨在直接求解方程组2，优化算法通常涉及耗时的迭代推理。