【图像去噪】论文精读：Learning Deep CNN Denoiser Prior for Image Restoration（IRCNN）

@inproceedings{zhang2017learning, title={Learning Deep CNN Denoiser Prior for Image Restoration}, 作者={张凯和左，王萌和顾，书航和张，雷}， booktitle={IEEE 计算机视觉和模式识别会议}， 页数={39

论文的"Learning Deep CNN Denoiser Prior"部分，指的是将CNN作为一个先验模型，用于预测图像的无噪声版本。这个“先验”意味着模型基于已学习的规律，对未知的、带有噪声的输入进行预测。通过大量的训练，CNN能够...

我是研究图像去噪的，这是我这两年中收集到的一些资料和论文

matlab代码放大 PyTorch版本 抽象的 基于模型的优化方法和判别式学习方法已成为解决低视力中各种逆问题的两种主要策略。 通常，这两种方法都有其各自的优缺点，例如，基于模型的优化方法可灵活地处理不同的逆问题，但出于性能良好的目的，通常以复杂的先验条件耗时； 同时，判别式学习方法测试速度较快，但其应用范围受到专门任务的极大限制。 最近的工作表明，借助可变分割技术，可以将去噪器先验插入为基于模型的优化方法的模块部分，以解决其他反问题（例如，去模糊）。 当通过判别学习获得降噪器时，这样的集成会带来相当大的优势。 但是，仍然缺乏与快速判别去噪器集成的研究。 为此，本文旨在训练一组快速有效的CNN（卷积神经网络）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，学习的去噪器集不仅可以实现有希望的高斯去噪结果，而且可以用作为各种低级视觉应用提供良好性能的先决条件。 基本思想 借助可变分裂技术，例如乘数交替方向方法（ADMM）和半二次分裂（HQS）方法，可以分别处理一般图像恢复公式的保真度项和正则项项，尤其是正则化项仅对应于降噪子问题。 因此，这可以将任何区分式去噪

事先学习深度CNN降噪器以进行图像还原 IRCNN-Tensorflow 这是去噪器的张量流重新实现。 要求 Tensorflow == 1.8 的OpenCVPython的 模型架构 训练损失 结果 西格玛= 25

IRCNN用于图像超分辨率重建，深度学习的图像处理方法。