Lernen einer tiefen CNN-Denoiser-Apriori für Bildrestauration

Modellbasierte Optimierungsmethoden und diskriminative Lernmethoden sind die beiden vorherrschenden Strategien zur Lösung verschiedener inverser Probleme im Bereich der niedrigstufigen Bildverarbeitung. Typischerweise haben diese beiden Arten von Methoden ihre jeweiligen Vor- und Nachteile: Modellbasierte Optimierungsmethoden sind flexibel bei der Bearbeitung verschiedener inverser Probleme, sind aber aufgrund komplexer Vorkenntnisse oft zeitaufwendig, um eine gute Leistung zu erzielen; während diskriminative Lernmethoden eine schnelle Testgeschwindigkeit bieten, ist ihr Anwendungsbereich durch die spezialisierte Aufgabe stark eingeschränkt. Kürzliche Arbeiten haben gezeigt, dass mit Hilfe von Variablenzerlegungstechniken ein Denoiser-Vorkenntnis als modulares Element in modellbasierte Optimierungsmethoden integriert werden kann, um andere inverse Probleme (wie z.B. Entverschleierung) zu lösen. Diese Integration bietet erhebliche Vorteile, wenn der Denoiser durch diskriminatives Lernen gewonnen wird. Allerdings fehlen noch Studien zur Integration eines schnellen diskriminativen Denoisers. In diesem Sinne zielt dieser Artikel darauf ab, eine Reihe von schnellen und effektiven CNN-Denoisern (convolutional neural network) zu trainieren und sie in modellbasierte Optimierungsmethoden zu integrieren, um andere inverse Probleme zu lösen. Experimentelle Ergebnisse zeigen, dass die gelernten Denoiser nicht nur vielversprechende Ergebnisse bei Gaußscher Rauschunterdrückung erzielen, sondern auch als Vorkenntnis für verschiedene Anwendungen in der niedrigstufigen Bildverarbeitung gute Leistungen liefern können.