摘要
基于模型的优化方法和判别学习方法一直是解决低层次视觉中各种逆问题的两大主要策略。通常，这两种方法各有优缺点，例如，基于模型的优化方法在处理不同的逆问题时具有较高的灵活性，但为了获得良好的性能，通常需要复杂的先验知识，因此耗时较长；而判别学习方法虽然测试速度快，但其应用范围受到特定任务的极大限制。近期的研究表明，借助变量分离技术，去噪器先验可以作为模块化组件嵌入到基于模型的优化方法中以解决其他逆问题（如去模糊）。当通过判别学习获得去噪器时，这种集成带来了显著的优势。然而，关于如何与快速判别去噪器先验进行集成的研究仍然不足。为此，本文旨在训练一组快速且有效的卷积神经网络（CNN）去噪器，并将其集成到基于模型的优化方法中以解决其他逆问题。实验结果表明，所学得的去噪器不仅在高斯去噪方面取得了令人满意的结果，还可以作为先验知识为各种低层次视觉应用提供良好的性能。