A two-stage convolutional sparse prior model for image restoration

Image restoration (IR) from noisy, blurred or/and incomplete observed measurement is one of the important tasks in image processing community. Image prior is of utmost importance for recovering a high quality image. In this paper, we present a two-stage convolutional sparse prior model for efficient image restoration. The multi-view features prior is first obtained by convolving the image with the Fields-of-Experts (FoE) filters and then the resulting multi-view features are represented by convolutional sparse coding (CSC) prior. By taking advantage of the convolutional filters, the proposed two-stage model inherits the strengths of multi-view features and CSC priors. The assembled multi-view features contain high-frequency, redundancy, and large range of feature orientations, which are favor to be represented by CSC and consequently for better image recovery. Augmented Lagrangian and alternating direction method of multipliers are employed to decouple the nonlinear optimization problem in order to iteratively approach the optimum solution. The results of various experiments on image deblurring and compressed sensing magnetic resonance imaging (CS-MRI) reconstruction consistently demonstrate that the proposed algorithm efficiently recovers image and presents advantages over the current leading restoration approaches.     

基于分裂Bregman方法的全变差图像去模糊

针对全变差图像去模糊问题,提出一种基于分裂Bregman方法的全变差图像去模糊算法,利用分裂Bregman方法来优化其求解问题模型.首先,利用辅助变量及其二次惩罚泛函把全变差去模糊优化问题转化为一个等价的无约束优化问题;其次,基于Bregman迭代将其分解为两个子优化问题采用交替最小化方法进行求解;最后,根据子问题结构特点,采用离散傅立叶变换及收缩技术实现子优化问题的快速计算.实验结果表明,在不同尺寸模糊核条件下本文算法能获得有效、稳定的图像复原结果,相比FTVd、IRN去模糊方法,本文算法复原效果更好,计算更加快速.     

基于防反射边界的图像分块反降晰研究

为降低图像反降晰过程的复杂度,提出一种新的反降晰算法。对图像进行适当的分块,导入合适宽度的防反射边界条件,消除其他类型边界条件导致的法向导数不连续的缺陷。实验结果表明,在与全局反降晰算法信噪比相当的情况下,具有合适分块数目和较小边界宽度的新算法能更有效地减少图像反降晰时间。     

基于模糊算子的红外图像去模糊研究

针对镜头抖动,目标移动等因素引起的图像运动模糊问题,本文提出了一种基于模糊算子的红外图像去模糊算法,使用深度自编码网络对数据集中的模糊算子进行编码,通过编码后的模糊算子去逼近一个未知的模糊算子并搜索对应的清晰图像,从而实现真实场景下红外图像去模糊,弥补了现有基于深度学习的图像去模糊模型在跨域应用时对真实场景下运动模糊图像去模糊效果较差的不足。在红外图像上的实验结果表明,相比于其他去模糊算法,本文提出的去模糊算法取得了更高的性能指标,恢复出的图像有着清晰的边缘轮廓和局部细节,显著提升了红外图像的清晰度。     

L1范数约束的非局部均值正则图像去模糊模型

为了保护图像边缘、细节等信息,建立了l₁范数约束的非局部均值正则模型.首先通过实验证明了非局部均值去噪算法余项的概率密度函数具有较强的拖尾性质,符合Laplace分布的特点.基于此,使用l₁范数约束的非局部均值去噪算法余项作为新的正则项,提出了新的正则模型.然后利用Bregman算子分裂算法求解得到相应的优化算法,并且可将新算法看成Plug-and-Play Priors算法的推广.实验结果表明,新模型在去除模糊,保护图像边缘、细节等信息方面的性能都优于l₂范数约束的非局部均值正则模型和Plug-and-Play Priors模型.     

基于轻量化渐进式残差网络的图像快速去模糊

基于深度学习的去模糊方法已经取得了较大进展,但是随着网络层数加深,去模糊网络需要更多的计算资源和内存消耗,难以用于实际场景。针对目前的去模糊网络参数量大、运算时间长等问题,该文设计了一种轻量快速的渐进式残差去模糊网络。该网络使用浅层残差网络作为基准模型,可充分利用图像的局部特征信息,加强反向传播时的信息流通。同时,通过多阶段递归调用残差网络并进行参数共享,可大大简化网络模型,减少网络参数。为了进一步提高去模糊网络的特征重建能力,该文引入特征重标定模块进行特征融合,对输入图像与各个残差网络的输出特征图进行通道加权,并对特征图的空间信息进行自适应选择,实现更好的特征重建。实验结果表明,所提算法网络模型参数量小、运行速度快,大幅度领先于现有算法,且对各种空域可变模糊去除均可实现理想复原效果。     

盲去模糊的多尺度编解码深度卷积网络

针对拍摄场景中物体运动不一致所带来的非均匀模糊,为提高复杂运动场景中去模糊的效果,提出一种多尺度编解码深度卷积网络。该网络采用\"从粗到细\"的多尺度级联结构,在模糊核未知条件下,实现盲去模糊;其中,在该网络的编解码模块中,提出一种快速多尺度残差块,使用两个感受野不同的分支增强网络对多尺度特征的适应能力;此外,在编解码之间增加跳跃连接,丰富解码端信息。与2018年国际计算机视觉与模式识别会议（CVPR）上提出的多尺度循环网络相比,峰值信噪比（PSNR）高出0.06 dB;与2017年CVPR上提出的深度多尺度卷积网络相比,峰值信噪比和平均结构相似性（MSSIM）分别提高了1.4%和3.2%。实验结果表明,该网络能快速去除图像模糊,恢复出图像原有的边缘结构和纹理细节。     

基于深度多级小波变换的图像盲去模糊算法

近年来卷积神经网络广泛应用于单幅图像去模糊问题,卷积神经网络的感受野大小、网络深度等会影响图像去模糊算法性能。为了增大感受野以提高图像去模糊算法的性能,该文提出一种基于深度多级小波变换的图像盲去模糊算法。将小波变换嵌入编-解码结构中,在增大感受野的同时加强图像特征的稀疏性。为在小波域重构高质量图像,该文利用多尺度扩张稠密块提取图像的多尺度信息,同时引入特征融合块以自适应地融合编-解码之间的特征。此外,由于小波域和空间域对图像信息的表示存在差异,为融合这些不同的特征表示,该文利用空间域重建模块在空间域进一步提高重构图像的质量。实验结果表明该文方法在结构相似度(SSIM)和峰值信噪比(PSNR)上具有更好的性能,而且在真实模糊图像上具有更好的视觉效果。