摘要
图像恢复是低层次计算机视觉中的一个长期问题，具有许多有趣的应用。本文描述了一种基于非线性反应扩散模型概念的灵活学习框架，用于解决各种图像恢复问题。通过融合最近在非线性扩散模型方面的改进，我们提出了一种带有时间依赖参数（即线性滤波器和影响函数）的动态非线性反应扩散模型。与以往的非线性扩散模型不同，所有参数，包括滤波器和影响函数，都是通过基于损失的方法从训练数据中同时学习得到的。我们将这种方法称为TNRD——可训练非线性反应扩散（Trainable Nonlinear Reaction Diffusion）。TNRD方法通过引入适当的反应力，适用于多种图像恢复任务。我们通过三个典型应用展示了其能力：高斯图像去噪、单幅图像超分辨率和JPEG去块效应。实验结果表明，我们的训练后的非线性扩散模型从参数训练中获益良多，并最终在测试应用的常用测试数据集上取得了最佳报告性能。我们的训练模型保留了扩散模型的结构简洁性，并且只需要进行少量的扩散步骤，因此非常高效。此外，这些模型也非常适合在GPU上进行并行计算，从而使得推理过程极为快速。