要約
モデルベースの最適化手法と判別学習手法は、低レベル視覚における様々な逆問題を解くための2つの主要な戦略となっています。通常、これらの手法にはそれぞれ長所と短所があります。例えば、モデルベースの最適化手法は異なる逆問題に対処する柔軟性がありますが、高性能を達成するために複雑な事前情報（prior）を使用するため、一般的に時間のかかる傾向があります。一方、判別学習手法はテスト速度が速いですが、専門的なタスクに制限されるため、適用範囲が狭まっています。最近の研究では、変数分割技術の支援により、ノイズ除去器（denoiser）をモデルベースの最適化手法にモジュールとして組み込むことで他の逆問題（例：ぼかし除去）を解くことが可能であることが示されています。このような統合は、ノイズ除去器が判別学習によって得られた場合に特に大きな利点をもたらします。しかし、高速な判別型ノイズ除去器の統合に関する研究はまだ不足しています。本論文では、一連の高速かつ効果的なCNN（畳み込みニューラルネットワーク）ノイズ除去器を訓練し、それらをモデルベースの最適化手法に統合して他の逆問題を解くことを目指しています。実験結果は、学習されたノイズ除去器群が有望なガウスノイズ除去結果を達成するとともに、様々な低レベル視覚応用において良い性能を発揮できる事前情報として利用できることを示しています。