图像复原有神经网络稀疏表示

图像复原的神经网络稀疏表示

Neural Sparse Representation for Image Restoration

paper: https://arxiv.org/abs/2006.04357

code: https://github.com/ychfan/nsr

摘要

受基于稀疏编码图像恢复模型中所展现出来的鲁棒性和有效性的启发, 本研究深入探讨了深层网络中的神经元特性. 该方法通过强化隐藏神经元活动度约束来提升性能. 稀疏性约束不仅有利于基于梯度的学习算法, 并且能够施加于卷积层上的操作来实现这一目标. 由于仅需处理非零区域的数据点, 在不影响整体精度的前提下实现了计算资源的有效优化. 同时能够保持原有计算复杂度的同时提升模型的表现力. 实验结果表明, 在多种图像恢复任务如超分辨率、去噪与伪影消除等方面表现出显著优势.

一． 基本原理和主要贡献

1. 基本原理

稀疏表示在图像恢复问题中发挥着关键作用，在这一领域中得到了广泛应用。例如，在超分辨率成像技术方面取得了突破性进展[1,2,3]；去噪技术也取得了显著成果[4]；此外，在压缩伪影去除方面也取得了重要进展[5]；同时，在其他相关领域如[6,7]等方面也有诸多创新成果。这些任务本质上属于欠定系统，在这些系统中输入信号往往缺乏足够的信息支撑；然而输出信号却拥有多个可能与之匹配的解码结果。因此大