Apprentissage d'un dénoiseur a priori basé sur un CNN profond pour la restauration d'images

Les méthodes d'optimisation basées sur un modèle et les méthodes d'apprentissage discriminatif ont été les deux stratégies dominantes pour résoudre divers problèmes inverses en vision de bas niveau. Généralement, ces deux types de méthodes présentent leurs propres avantages et inconvénients, par exemple, les méthodes d'optimisation basées sur un modèle sont flexibles pour traiter différents problèmes inverses mais sont généralement coûteuses en temps avec des a priori sophistiqués visant à obtenir de bonnes performances ; en revanche, les méthodes d'apprentissage discriminatif offrent une vitesse de test rapide mais leur domaine d'application est grandement limité par la tâche spécialisée. Des travaux récents ont montré que, grâce aux techniques de séparation de variables, un débruiteur a priori peut être intégré comme une partie modulaire des méthodes d'optimisation basées sur un modèle pour résoudre d'autres problèmes inverses (comme le défloutage). Cette intégration offre un avantage considérable lorsque le débruiteur est obtenu par apprentissage discriminatif. Cependant, l'étude de l'intégration avec un débruiteur a priori rapide et discriminatif reste insuffisante. Dans ce contexte, cet article vise à entraîner un ensemble de débruiteurs CNN (réseaux neuronaux convolutifs) rapides et efficaces et à les intégrer dans une méthode d'optimisation basée sur un modèle pour résoudre d'autres problèmes inverses. Les résultats expérimentaux montrent que l'ensemble appris de débruiteurs non seulement atteint des résultats prometteurs en débruitage Gaussien mais peut également être utilisé comme a priori pour fournir de bonnes performances dans diverses applications de vision de bas niveau.