[论文解读] Image Restoration and Reconstruction using Variable Splitting and Class-adapted Image Priors
本文提出一种基于ADMM的变分分裂方法，结合基于高斯混合模型（GMM）的图像去噪器作为局部块先验，实现类别自适应的图像复原与重建。通过在特定图像类别（如人脸、文本）上训练GMM，该方法在去模糊和压缩感知成像任务中达到最先进性能，显著优于通用去噪器（如IDD-BM3D）在类别特定数据上的表现。
This paper proposes using a Gaussian mixture model as a prior, for solving two image inverse problems, namely image deblurring and compressive imaging. We capitalize on the fact that variable splitting algorithms, like ADMM, are able to decouple the handling of the observation operator from that of the regularizer, and plug a state-of-the-art algorithm into the pure denoising step. Furthermore, we show that, when applied to a specific type of image, a Gaussian mixture model trained from an database of images of the same type is able to outperform current state-of-the-art methods.
研究动机与目标
- 为解决通用图像先验在图像复原与重建任务中的局限性，通过将先验适配至特定图像类别来提升性能。
- 通过利用学习到的类别特定图像统计特性，提升图像去模糊与压缩感知成像的性能。
- 通过引入可训练的、类别自适应的去噪器（基于高斯混合模型，GMM），扩展端到端ADMM框架。
- 证明基于GMM的先验在特定图像类型（如人脸、文本）上训练后，其在类别特定逆问题中的表现优于通用最先进方法。
提出的方法
- 使用交替方向乘子法（ADMM）通过分离数据保真项与正则化项来求解图像逆问题。
- 通过变量分裂将观测模型（A）与正则化项（φ）解耦，实现高级去噪器的模块化集成。
- 采用基于图像块的高斯混合模型（GMM）作为类别自适应先验，其在与目标图像同属一类的图像块上进行训练。
- 将GMM去噪器作为即插即用组件集成至ADMM框架中，替代标准的近端算子。
- 在ADMM迭代过程中（每25次迭代更新一次）更新GMM参数，使先验能够适应图像估计的动态演化。
- 使用6×6图像块与20分量GMM，超参数（如μ）经调优以获得最佳性能。
实验结果
研究问题
- RQ1与通用先验相比，类别自适应的GMM先验是否能提升去模糊与压缩感知成像中的图像复原性能？
- RQ2在类别特定图像上，基于GMM去噪器的即插即用ADMM框架是否优于通用最先进方法（如IDD-BM3D）？
- RQ3在压缩感知成像中，该方法的性能如何随测量数目的变化而变化？
- RQ4在ADMM迭代过程中更新GMM先验对重建质量有何影响？
- RQ5该方法能否在不同图像类别（如人脸、文本、医学图像）上实现良好泛化？
主要发现
- 在人脸与文本图像去模糊任务中，ADMM-GMM在ISNR上平均比IDD-BM3D高出1.39 dB，且视觉质量更优。
- 在Microsoft数据集的压缩感知成像任务中，ADMM-GMM在所有图像类型下均比Turbo-GM低至少2 dB的NMSE。
- 在5000次测量下，ADMM-GMM在Cameraman图像上达到-30.04 dB的NMSE，优于Turbo-GM的-26.02 dB。
- 在ADMM迭代过程中更新GMM先验可显著提升重建质量，相比未更新版本，NMSE提升达2.33 dB。
- 在Microsoft数据集的类型1图像上，ADMM-GMM在所有测量数M下均持续优于Turbo-GM，且在每个M值下NMSE更低。
- 当GMM先验的训练类别与目标图像一致时，该方法在去模糊与压缩感知成像任务中均达到最先进性能。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。