Adaptively Sparse Regularization for Blind Image Restoration
Institute of Optics and Electronics, Chinese Academy of Sciences(中国科学院光电技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
图像质量是图像通信和理解任务的基础。由于成像、传输等过程造成的模糊和噪声影响,图像质量下降。图像盲复原是提高图像质量的一种重要方法,其主要目标是忠实地估计模糊核和潜在的清晰图像。本研究在实验观察与研究的基础上,首次提出一种自适应稀疏正则化最小化方法。高阶梯度与低阶梯度相结合形成混合正则化项,并引入基于图像熵的自适应算子以保持良好的收敛性。对不同的模糊核和图像进行了广泛的实验。与现有的最先进的盲去模糊方法相比,我们的方法表现出优越的恢复精度。
2021-01-23 cs.CV eess.IV
Plug-and-Play image restoration with Stochastic deNOising REgularization
提出SNORE框架,仅在适当噪声水平图像上应用去噪器,结合随机正则化与梯度下降求解逆问题,在去模糊和修复任务上达到SOTA。
2026-06-12 cs.CV cs.LG eess.IV
Self-supervised Hyperspectral Image Restoration using Separable Image Prior
The University of Kitakyushu(北九州市立大学)
使用卷积神经网络的监督学习被认为是图像恢复的强大手段。然而,大多数这样的方法已被设计为应用于灰度和/或彩色图像,因此,它们具有有限的成功时,应用于高光谱图像恢复。这部分是由于难以收集大型数据集,以及与恢复具有许多光谱带的图像相关的繁重计算负荷。为了解决这个困难,我们提出了一种新的自监督学习策略应用于高光谱图像恢复。我们的方法从单个退化图像自动创建训练数据集,并在没有任何清晰图像的情况下训练去噪网络。我们方法的另一个显著特点是使用了可分离的卷积层。我们进行实验,以证明使用一个可分离的网络,使我们能够获得先验的高光谱图像,并实现有效的恢复。我们通过大量的实验证明了我们的方法的有效性,并表明我们的方法具有更好的特性比那些目前被认为是最先进的。
2019-07-01 cs.CV eess.IV
A Total Fractional-Order Variation Model for Image Restoration with Non-homogeneous Boundary Conditions and its Numerical Solution
The University of Liverpool(利物浦大学);Xiangtan University(湘潭大学)
本文提出一种分数阶总α阶变化模型用于图像恢复,克服传统总变分模型的不足,通过分析理论性质和开发四种算法,在恢复质量和效率上优于现有高阶模型。
2015-09-06 cs.CV cs.NA math.NA
A Regularization-Guided Equivariant Approach for Image Restoration
School of Mathematics and Statistics, Xi’an Jiaotong University, Xi’an, China(西安交通大学数学与统计学学院);Macau University of Science and Technology, Taipa, Macao(澳门科学技术大学);Pengcheng Laboratory, Shenzhen, China(鹏城实验室)
提出旋转等变正则化策略EQ-Reg,通过自监督学习和特征图空间旋转及循环通道移位,使非严格等变网络自适应调整等变性,在三个低级图像恢复任务上超越现有方法。
2025-05-26 cs.CV
RELD: Regularization by Latent Diffusion Models for Image Restoration
University of Bologna(博洛尼亚大学);University of Macerata(马切拉塔大学);University of Modena and Reggio Emilia(摩德纳大学与雷焦艾米利亚大学);University of Milan(米兰大学);Washington University in St. Louis(圣路易斯华盛顿大学)
提出RELD方法,将潜在扩散模型作为正则化器集成到变分框架中,用于图像去噪、去模糊和超分辨率,在降低计算成本的同时达到与最先进方法竞争的性能,尤其在感知质量上表现优异。
2025-03-28 cs.CV eess.IV
Supervised Learning of Digital image restoration based on Quantization Nearest Neighbor algorithm
Khulna University(库尔纳大学)
本文提出了一种图像复原算法。该算法不同于传统的图像去噪方法,它利用了从相似图像中学习到的先验知识。原始图像和已知的退化算子的退化版本被用于设计量化。利用模糊图像设计码向量。对于每个这样的矢量,从原始图像获得的高频信息也是可用的。在恢复过程中,给定的退化图像的高频信息估计从其低频信息的基础上的人工噪声。对于恢复问题,设计了一些技术,对应于各种版本的模糊函数。给定噪声和模糊图像,基于相似性度量选择其中一种技术,从而提供模糊的识别。为了使恢复过程在计算上高效,利用量化最近邻方法。
2010-02-21 cs.CV
Learning Generic Diffusion Processes for Image Restoration
ULSee, Inc.(ULSee公司);Shenzhen University(深圳大学)
图像复原问题是一类典型的不适定问题,其中正则化项起着重要的作用。通过生成式方法学习的正则化项易于转移到各种图像复原中,但与通过判别式方法学习的正则化项相比,恢复质量较差。相反,通过判别方法学习的正则化项通常针对特定的图像复原问题进行训练,并且在其未被训练的问题中失败。为了解决这个问题,我们提出了一个通用的扩散过程(genericDP)来处理基于可训练的非线性反应扩散(TNRD)模型的多高斯去噪问题。对于TNRD中的一个高斯去噪问题,我们强制多个TNRD模型共享一个扩散项,而不是一个模型,该模型由一个扩散项和一个反应项组成。训练后的genericDP模型可以提供良好的去噪性能和高的训练效率相比,原来的TNRD模型。我们还将训练的扩散项转移到非盲反卷积,这在训练阶段是不可见的。实验结果表明,训练好的多重高斯去噪扩散项可以作为图像先验知识应用于图像非盲反卷积,具有较好的去噪性能。
2018-07-17 cs.CV
Simultaneous Fidelity and Regularization Learning for Image Restoration
Tianjin University(天津大学);Hong Kong Polytechnic University(香港理工大学);Harbin Institute of Technology(哈尔滨工业大学);Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));University of California, Merced(加州大学默塞德分校)
大多数现有的非盲恢复方法都是基于精确退化模型已知的假设。由于退化过程只能部分已知或不准确建模,图像可能无法很好地恢复。雨条纹去除和图像去卷积与不准确的模糊内核是这样的任务的两个代表性的例子。对于雨条纹去除,虽然输入图像可以分解为场景层和雨条纹层,但没有明确的公式来建模雨条纹以及与场景层的组合。对于盲解卷积,由于模糊核的估计误差通常被引入,后续的非盲解卷积过程不能很好地恢复潜像。在本文中,我们提出了一个原则性的算法内的最大后验框架,以解决图像复原与部分已知或不准确的退化模型。具体地说,部分已知或不准确的退化模型所引起的残差是空间依赖的和复杂分布的。使用退化和地面实况图像对的训练集,我们以任务驱动的方式参数化并学习退化模型的保真度项。此外,正则化项也可以与保真度项一起学习,从而形成同时保真度和正则化学习模型。大量的实验结果表明,所提出的模型的有效性与不准确的模糊内核的图像反卷积,反卷积与多重退化和雨条纹去除。
2019-07-10 cs.CV
Self-Supervised Face Image Restoration with a One-Shot Reference
McMaster University(麦克马斯特大学);Amazon(亚马逊)
针对现有基于生成模型先验的图像修复方法易出现语义歧义的问题,提出语义感知隐空间探索方法SAIR,借助单参考图像语义信息实现严重退化人脸图像的高保真、语义正确修复,性能优于现有方法。
2023-12-19 cs.CV
DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration
Wuhan University(武汉大学);JD Explore Academy(京东探索研究院);University of Sydney(悉尼大学)
扩散模型由于其在图像复原中令人印象深刻的性能,特别是在噪声鲁棒性方面,最近受到了极大的关注。然而,现有的基于扩散的方法是在大量训练数据上训练的,并且在分布中表现得非常好,但是可能非常容易受到分布偏移的影响。这对于数据匮乏的高光谱图像(HSI)恢复尤其不合适。为了解决这个问题,这项工作提出了一个自我监督的扩散模型HSI恢复,即去噪扩散空间谱模型(\texttt{DDS2M}),它的工作原理是通过推断的参数提出的变分空间谱模块(VS2 M)在反向扩散过程中,只使用退化的HSI没有任何额外的训练数据。在VS2M中,基于变分推理的损失函数被定制,以使未经训练的空间和光谱网络能够学习后验分布,后验分布作为采样链的过渡,以帮助逆转扩散过程。得益于其自我监督的性质和扩散过程,\texttt{DDS2M}享有更强的泛化能力,以各种不同的HSI相比,现有的扩散为基础的方法和优越的鲁棒性,以现有的HSI恢复方法。大量的HSI去噪,噪声HSI完成和各种HSI的超分辨率的实验证明了\texttt{DDS2M}的优越性比现有的特定任务的最先进的。
2023-03-19 cs.CV eess.IV
Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement
University of Science and Technology of China(中国科学技术大学);Shanghai AI Laboratory(上海人工智能实验室)
针对超高清图像恢复中效率与高频细节的权衡,提出两阶段框架Latent Harmony,通过LH-VAE正则化潜在空间及HF-LoRA交替优化,实现高效且高质量的重建,达到最先进性能。
2025-10-24 cs.CV
Efficient Degradation-agnostic Image Restoration via Channel-Wise Functional Decomposition and Manifold Regularization
Mohamed bin Zayed University of Artificial Intelligence(莫扎德·本·泽德人工智能大学);University of Trento(特伦托大学);ETH Zürich(苏黎世联邦理工学院);HKUST (GZ)(香港科技大学(广州));Peking University(北京大学);University of California, Merced(加州大学默塞德分校)
MIRAGE通过通道级功能分解和流形正则化,在高效性与性能之间取得平衡,实现退化无关图像恢复的先进性能。
2026-02-27 cs.CV
Self-Supervised Image Restoration with Blurry and Noisy Pairs
Harbin Institute of Technology(哈尔滨工业大学);Peng Cheng Laboratory(鹏城实验室)
当在光线不足的环境下拍摄照片时,通常需要仔细选择曝光时间和传感器增益,以获得具有令人满意的视觉质量的图像。例如,具有高ISO的图像通常具有不可避免的噪声,而长曝光的图像可能由于相机抖动或物体运动而模糊。现有的解决方案通常建议在噪声和模糊之间寻求平衡,并在完全或自我监督下学习去噪或去模糊模型。然而,真实世界的训练对很难收集,并且仅仅依赖于模糊或噪声图像的自监督方法在性能上受到限制。在这项工作中,我们解决这个问题,联合利用短曝光的噪声图像和长曝光的模糊图像更好的图像复原。这种设置实际上是可行的,因为短曝光和长曝光图像可以由两个单独的相机获取或由长突发图像合成。此外,短曝光图像几乎不模糊,长曝光图像的噪声可以忽略不计。它们的互补性使得以自监督的方式学习恢复模型成为可能。具体地说,噪声图像可以作为去模糊的监督信息,而模糊图像中的尖锐区域可以作为自监督去噪的辅助监督信息。通过协作学习,我们方法中的去模糊和去噪任务可以相互受益。对合成图像和真实图像的实验表明了该方法的有效性和实用性。代码可在https://github.com/cszhilu1998/SelfIR上获得。
2022-11-14 cs.CV
Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration
Beihang University(北航);Tsinghua University(清华大学)
提出统一物理零样本图像恢复框架,通过将异质退化重参数化为同质分布并引入动态质量细化策略,实现单/混合退化下的最优性能。
2026-05-23 cs.CV
Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank
Xidian University(西安电子科技大学);McMaster University(麦克马斯特大学)
针对水下图像复原缺乏标注数据的问题,提出基于mean-teacher的Semi-UIR框架,通过引入reliable bank存储最佳输出作为伪真值,并结合contrastive regularization解决确认偏差,在多个基准上显著优于SOTA方法。
2023-04-04 cs.CV
Self-supervised conformal prediction for uncertainty quantification in Poisson imaging problems
Heriot-Watt University(赫瑞瓦特大学);Université de Paris Cité(巴黎大学城);Nantes Université(南特大学);École Centrale Nantes(南特中央理工学院);CNRS(法国国家科学研究中心)
本文提出一种自监督保形预测方法,利用泊松无偏风险估计器消除对真实数据的需求,适用于病态泊松线性成像问题,并在去噪和去模糊实验中达到与监督方法相当的性能。
2025-02-26 cs.CV eess.IV eess.SP
Decomposer: Semi-supervised Learning of Image Restoration and Image Decomposition
Technische Universität Berlin(柏林工业大学)
本文提出半监督重建模型Decomposer,利用SIDAR数据集和Transformer架构将失真图像序列分解为原始图像、阴影、光照与遮挡,并通过弱监督伪标签预训练提升对不同失真的区分能力。
2023-11-28 cs.CV cs.LG
CLEAR: Covariant LEAst-square Re-fitting with applications to image restoration
IMB, CNRS, Université de Bordeaux, Bordeaux INP(波尔多大学);LTCI, CNRS, Télécom ParisTech, Université Paris-Saclay(巴黎萨克雷大学);IMB, CNRS, Université de Bourgogne(勃艮第大学)
在本文中,我们提出了一个新的框架,以消除部分的系统误差影响流行的恢复算法,特别关注图像处理任务。概括的想法,出现了$\ell_1$正则化,我们开发了一种方法重新拟合的标准方法对输入数据的结果。全变差正则化和非局部均值是感兴趣的特殊情况。我们确定了重要的协变信息,应该保留的重新拟合方法,并强调了保持雅可比矩阵(w.r.t.)的重要性。原始估计器的观测信号)。然后,我们提供了一种方法,具有“twicing”的味道,并允许重新拟合恢复的信号,通过添加回本地仿射变换的残留项。我们说明了我们的方法对图像恢复任务的数值模拟的好处。
2016-09-14 cs.CV math.ST stat.ML
Image Restoration with Point Spread Function Regularization and Active Learning
College of Electronic Information and Optical Engineering, Taiyuan(太原电子信息与光学工程学院);Peng Cheng Lab, Shenzhen(鹏城实验室);Department of Physics, Durham University(杜伦大学物理系);National Astronomical Observatories, Beijing(中国科学院国家天文台);Yunnan Observatories, Kunming(中国科学院云南天文台)
本文提出一种结合深度学习复原与高保真望远镜模拟器的图像复原算法,通过模拟器生成多级模糊和噪声图像训练网络,在真实与模拟数据上验证其能增强精细结构并提升观测图像质量,适用于LSST、Euclid和CSST等大规模巡天数据。
2023-10-31 astro-ph.GA astro-ph.IM astro-ph.SR
Towards Vision Transformer Unrolling Fixed-Point Algorithm: a Case Study on Image Restoration
National University of Defense Technology(国防科技大学);National Innovation Institute of Defense Technology(国防科技创新研究院)
深度神经网络(DNN)的巨大成功激发了用于计算机视觉任务的基于DNN-FP(DNN-FP)的算法开发。通过时间反向传播或计算雅可比矩阵的不准确逆来训练的DNN-FP方法具有较差的表示能力。受Transformer的表示能力的启发,我们提出了一个框架来展开FP,并通过Transformer块近似每个展开的过程,称为FPformer。为了减少内存和计算的高消耗,我们提出了FPRformer,通过共享连续块之间的参数。我们进一步设计了一个将Anderson加速应用于FPRformer的模块,称为FPAformer,以扩大展开迭代次数,提高性能。为了充分发挥Transformer的能力,我们将所提出的模型应用到图像复原中,使用自监督预训练和监督微调。在预训练阶段使用了来自4类图像复原问题的161个任务。此后,预训练的FPformer、FPRformer和FPAformer将针对比较场景进行进一步微调。使用自我监督的预训练和监督微调,所提出的FPformer,FPRformer和FPAformer实现具有竞争力的性能与最先进的图像复原方法和更好的训练效率。FPAformer仅使用SwinIR模型中29.82%的参数,并在微调后提供卓越的性能。为了训练这些比较模型,它只需要26.9%的时间用于训练SwinIR模型。这为在低水平视觉任务中引入Transformer提供了一种很有前途的方法。
2023-01-29 cs.CV
Learning Invariant Representation for Unsupervised Image Restoration
Sichuan University(四川大学)
最近,跨域转移已被应用于无监督的图像复原任务。然而,直接应用现有的框架,会导致域转移问题的翻译图像,由于缺乏有效的监督。相反,我们提出了一个无监督学习方法,明确学习不变量表示从嘈杂的数据和重建清晰的意见。为此,我们将离散解纠缠表示和对抗域自适应引入到一般域转移框架中,并辅以额外的自监督模块,包括背景和语义一致性约束,在双域约束下学习鲁棒表示,如特征和图像域。在合成和真实噪声去除任务上的实验表明,该方法与其他最先进的监督和无监督方法具有相当的性能,同时比其他域自适应方法具有更快和更稳定的收敛速度。
2020-03-28 cs.CV
SiamTrans: Zero-Shot Multi-Frame Image Restoration with Pre-Trained Siamese Transformers
University of Science and Technology of China(中国科学技术大学)
我们提出了一种新的zero-shot多帧图像复原方法,用于去除在连续帧中变化的不必要的障碍元素(如雨,雪和莫尔图案)。它有三个阶段:Transformer预训练,zero-shot恢复,和硬补丁细化。使用预先训练的Transformers,我们的模型能够分辨出真实图像信息和遮挡元素之间的运动差异。对于zero-shot图像复原,我们设计了一种新的模型,称为SiamTrans,它是由Siamese Transformers,编码器和解码器构成的。每个Transformer都有一个时间注意层和几个自注意层,以捕获多个帧的时间和空间信息。仅在去噪任务上进行预训练(自我监督),SiamTrans在三个不同的低级别视觉任务(去噪,去噪和去噪)上进行测试。与相关方法相比,我们的方法取得了最好的性能,甚至优于那些与监督学习。
2021-12-17 cs.CV
Image Deblurring and Super-resolution by Adaptive Sparse Domain Selection and Adaptive Regularization
Xidian University(西安电子科技大学);The Hong Kong Polytechnic University(香港理工大学);McMaster University(麦克马斯特大学)
稀疏表示作为一种强有力的统计图像建模技术,已成功地应用于各种图像复原应用中。稀疏表示的成功归功于l1范数优化技术的发展,以及自然图像在某些领域具有内在稀疏性的事实。图像复原的质量在很大程度上取决于所采用的稀疏域是否能很好地代表底层图像。考虑到不同图像或单个图像中不同块的内容可能会有很大差异,我们建议从预先收集的示例图像块数据集中学习不同的基集,然后对于待处理的给定块,自适应地选择一组基来表征局部稀疏域。我们进一步引入两个自适应正则化项到稀疏表示框架中。首先,从示例图像块的数据集学习一组自回归(AR)模型。自适应地选择最适合给定块的AR模型来正则化图像局部结构。其次,引入图像的非局部自相似性作为正则化项。此外,稀疏正则化参数自适应估计更好的图像复原性能。大量的图像去模糊和超分辨率实验表明,该方法通过自适应稀疏域选择和自适应正则化,在峰值信噪比(PSNR)和视觉感知方面都比现有算法有更好的效果。
2010-12-06 cs.CV cs.MM
Optimal Transport Based Unsupervised Restoration Learning Exploiting Degradation Sparsity
School of Information Science and Electronic Engineering, Shanghai Jiao Tong University, China(信息科学与电子工程学院,上海交通大学);School of Communication Engineering, Hangzhou Dianzi University, Hangzhou, China(通信工程学院,杭州电子科技大学)
提出稀疏感知最优传输(SOT)框架,利用退化在频域的稀疏性先验减少逆映射模糊性,在超分辨率、去雨和去雾任务上显著优于标准OT及现有无监督方法,缩小与监督方法的差距。
2025-09-16 cs.CV eess.IV
Unsupervised Image Restoration Using Partially Linear Denoisers
University of Cambridge(剑桥大学)
基于深度神经网络的方法是各种图像恢复问题的最新技术。标准的监督学习框架需要一组噪声测量和干净图像对,对于这些图像对,恢复模型的输出与地面实况、干净图像之间的距离被最小化。然而,在现实世界的应用中,地面实况图像通常是不可用的或获取起来非常昂贵。我们规避这个问题,提出了一类结构化的降噪,可以分解为一个非线性图像相关的映射,线性噪声相关的长期和一个小的残留项的总和。我们表明,这些去噪器可以只训练噪声图像的条件下,噪声具有零均值和已知的方差。然而,噪声的确切分布并不假定是已知的。我们展示了我们的方法的优越性图像去噪,并证明其扩展到解决其他恢复问题,如盲去模糊的地面真理是不可用的。我们的方法优于一些最近的无监督和自监督深度去噪模型,这些模型不需要干净的图像进行训练。对于盲去模糊问题,该方法,每个图像只使用一个嘈杂和模糊的观察,达到了质量不远的基准数据集上的完全监督同行。
2021-03-30 cs.CV cs.LG eess.IV
Linearized ADMM and Fast Nonlocal Denoising for Efficient Plug-and-Play Restoration
Indian Institute of Science(印度科学学院)
在即插即用的图像复原中,使用诸如非局部均值(NLM)或BM 3D的强大去噪器来执行正则化。这是在交替方向乘法器(ADMM)的框架内完成的,其中正则化步骤被正式替换为现成的去噪器。每次即插即用迭代都涉及前向模型的反演,然后是去噪步骤。在本文中,我们提出了一些想法,以提高效率的反演和去噪步骤。首先,我们建议使用线性ADMM,这通常允许我们以比标准ADMM更低的成本执行反演。此外,我们可以很容易地将硬约束纳入优化框架。其次,我们开发了一种双随机NLM的快速算法,最初由Sreehari等人提出(IEEE TCI,2016),比蛮力计算快80倍。这个特殊的去噪器可以表示为凸正则化器的邻近映射,因此,我们可以保证线性化即插即用ADMM的收敛性。我们证明了我们的超分辨率和单光子成像的建议的有效性。
2019-01-18 cs.CV
Self-supervised Conformal Prediction for Uncertainty Quantification in Imaging Problems
Technical University of Denmark(丹麦技术大学);Heriot-Watt University(赫瑞瓦特大学);Maxwell Institute for Mathematical Sciences(麦克斯韦数学研究所);Université de Paris Cité(巴黎西岱大学)
本文提出一种基于SURE的自监督共形预测方法,无需真实数据即可为病态图像恢复问题提供准确的不确定性量化,在去噪和去模糊实验中达到与监督方法相当的性能。
2025-02-07 cs.CV stat.ME
Alternative design of DeepPDNet in the context of image restoration
Zhengzhou University(郑州大学);CNRS(法国国家科学研究中心);UCLouvain(鲁汶天主教大学)
这项工作设计了一个依赖于展开的Chambolle-Pock原始-对偶迭代的图像恢复深度网络。当指定最小化$\ell_2$范数数据项和分析稀疏先验的总和时,我们的网络的每一层都是从Chambolle-Pock迭代中构建的。我们的网络的参数是Chambolle-Pock方案的步长和基于稀疏性的惩罚中涉及的线性算子,包括隐式正则化参数。充分描述了反向传播过程。初步实验表明,这种深度原始-对偶网络在BSD 68数据库上的图像恢复中表现良好。
2022-02-20 cs.CV cs.LG eess.IV
One-Shot Image Restoration
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种仅需单个图像输入-输出对进行训练的高效基于图像块的学习框架,实现图像去模糊和超分辨率,显著提升了样本效率、泛化能力和计算效率。
2024-09-23 cs.CV cs.LG eess.IV
Deeply Aggregated Alternating Minimization for Image Restoration
Yonsei University(延世大学);Chungnam National University(忠南国立大学)
基于正则化的图像复原一直是计算机视觉和图像处理领域的研究热点。它通常利用在不同领域捕获的指导信号作为额外的提示。在这项工作中,我们提出了一个通用的框架图像复原,称为深度聚合交替最小化(DeepAM)。我们建议训练深度神经网络,以推进传统AM算法中的两个步骤:邻近映射和?延续。这两个步骤都是以端到端的方式从大型数据集中学习的。所提出的框架使得卷积神经网络(CNN)能够作为AM算法中的先验或正则化器来操作。我们表明,我们通过深度聚合学习的正则化器优于最近的数据驱动方法以及nonlocalbased方法。在多个图像复原任务中,包括单张图像去噪、RGB-NIR复原和深度超分辨率,证明了该框架的灵活性和有效性。
2016-12-20 cs.CV
Learning from Failure: Leveraging Unreliable Predictions in Semi-Supervised Real-World Adverse Weather Removal
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Nanyang Technological University(南洋理工大学)
本文提出一种师生半监督框架,利用不可靠教师预测作为负样本和可靠预测作为正样本,结合相位谱语义约束与自适应相位一致性损失,在真实世界恶劣天气恢复中超越现有方法。
2026-10-02 cs.CV
SIMPLE: Simultaneous Multi-Plane Self-Supervised Learning for Isotropic MRI Restoration from Anisotropic Data
Technion – Israel Institute of Technology(以色列理工学院);Rambam Health Care Campus(兰班姆医疗中心)
提出SIMPLE,一种同步多平面自监督学习方法,利用现有各向异性临床数据实现各向同性MRI恢复,无需模拟降采样,在脑部和腹部数据集上优于现有方法,提升诊断能力。
2025-03-29 cs.CV eess.IV
A wavelet frame coefficient total variational model for image restoration
College of Information Engineering, Shenzhen University(深圳大学信息工程学院);Department of Electrical and Computer Engineering, University of Delaware(特拉华大学电气与计算机工程系)
本文提出了一种用于图像复原的特征图像矢量全变分模型。VTV根据选择各种正则化参数对不同特征(例如边缘和卡通)施加不同的平滑能力。因此,该模型可以同时保持边缘和去除噪声。其次,证明了模型解的存在性,并采用分裂Bregman算法求解。最后,我们使用小波滤波器组来显式定义特征算子,并给出了一些实验结果,以显示其优于相关方法的质量和效率。
2018-02-10 cs.CV
Hyperspectral Image Restoration via Global Total Variation Regularized Local nonconvex Low-Rank matrix Approximation
Northwest A\&F University, College of Science, Yangling 712100, P.R. China
基于带向全变分(TV)正则化的低秩(LR)模型已被提出用于去除高光谱图像(HSI)中的混合噪声。传统上,LR矩阵的秩使用核范数(NN)近似。NN通过将所有奇异值加在一起来定义,其本质上是奇异值的$L_1$ -范数。它会导致不可忽略的近似误差,因此得到的矩阵估计量可能会有很大的偏差。此外,这些基于频带TV的方法以单独的方式利用空间信息。为了解决这些问题,我们提出了一种空间谱TV(SSTV)正则化非凸局部LR矩阵近似(NonLLRTV)方法来去除混合噪声。从一个方面,使用非凸的$L_γ$范数来公式化HSI的局部LR,这提供了比传统NN更接近矩阵秩的近似。从另一方面,假设HSI在全局空间域中是分段平滑的。TV正则化在保持平滑性和去除高斯噪声方面是有效的。这些事实激发了NonLLR与TV正则化的集成。为了解决带宽TV的局限性,我们使用SSTV正则化同时考虑全局空间结构和相邻波段的谱相关性。实验结果表明,局部非凸惩罚和全局SSTV的使用可以提高空间分段光滑性和整体结构信息的保持。
2020-05-08 cs.CV
Deep Graph Laplacian Regularization for Robust Denoising of Real Images
SenseTime Research(商汤科技研究院);York University(约克大学)
深度学习的最新发展彻底改变了图像复原的范式。然而,由于其对训练数据的敏感性和真实图像噪声的复杂性,其在真实图像去噪中的应用仍然受到限制。在这项工作中,我们结合了基于模型的方法的鲁棒性优点和数据驱动方法的学习能力,用于真实图像去噪。具体来说,通过将图拉普拉斯正则化作为一个可训练模块集成到深度学习框架中,我们比纯粹的基于CNN的方法更不容易受到过拟合的影响,从而实现对小数据集和跨域去噪的更高鲁棒性。首先,从卷积神经网络(CNN)的输出构建稀疏邻域图。然后通过求解一个无约束二次规划问题来恢复图像,使用相应的图拉普拉斯正则化子作为先验项。所提出的恢复管道是完全可区分的,因此可以进行端到端训练。实验结果表明,我们的工作是不太容易过拟合给定的小训练数据。它也被赋予了强大的跨领域泛化能力,以显着的优势超过了国家的最先进的方法。
2019-05-03 cs.CV
WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning
School of Computer Science and Engineering, Nanjing University of Science and Technology(计算机科学与工程学院,南京理工大学)
本文提出无配对框架 WeatherCycle,通过亮度—色度解耦循环、LDGM 退化建模和 DACR 对比正则化实现多天气图像复原,并在多个数据集上达到无监督方法的最优性能。
2025-09-27 cs.CV
Robust Unsupervised StyleGAN Image Restoration
Inria(法国国家信息与自动化研究所);Université Laval(拉瓦尔大学)
本文提出一种鲁棒的无监督StyleGAN图像复原方法,通过三阶段渐进式潜空间扩展和保守优化器,实现单一超参数适用于多种退化水平及组合,优于现有StyleGAN逆变换和扩散复原方法。
2023-06-22 cs.CV
Hyperspectral Image Restoration via Total Variation Regularized Low-rank Tensor Decomposition
Chinese University of Hongkong(香港中文大学);University of Electronic Science and Technology of China(电子科技大学)
高光谱图像(HSI)在获取过程中经常被几种类型的噪声的混合所破坏,例如,高斯噪声、脉冲噪声、死线、条纹和许多其他噪声。这种复杂的噪声可能会降低所获取的HSI的质量,从而限制后续处理的精度。在本文中,我们提出了一种新的基于张量的HSI恢复方法,通过充分识别的内在结构的清洁HSI部分和混合噪声部分分别。具体来说,对于干净的HSI部分,我们使用张量Tucker分解来描述所有波段之间的全局相关性,并使用各向异性空间-谱全变差(SSTV)正则化来表征空间域和谱域中的分段光滑结构。对于混合噪声部分,我们采用$\ell_1$范数正则化方法检测稀疏噪声,包括条纹、脉冲噪声和死像素。尽管TV正则化具有去除高斯噪声的能力,但Frobenius范数项进一步用于对一些真实世界场景的重高斯噪声进行建模。然后,我们开发了一个有效的算法来解决由此产生的优化问题,通过使用增广拉格朗日乘子(ALM)方法。最后,模拟和现实世界的噪声HSIs进行了广泛的实验,以证明所提出的方法比现有的国家的最先进的优越性。
2017-07-08 cs.CV
Fast Unsupervised Tensor Restoration via Low-rank Deconvolution
本文提出带微分正则化的低秩反卷积模型,融合 TV 与积分先验,在图像去噪和视频增强中以低计算成本取得优异恢复性能。
2024-06-15 cs.CV
Support Driven Wavelet Frame-based Image Deblurring
University of Electronic Science and Technology of China(电子科技大学);Cornell University(康奈尔大学)
由于小波框架系统具有良好的稀疏逼近分段光滑函数的能力,在图像复原和其他图像处理领域中发挥了积极的作用。在本文中,我们提出了一种新的基于小波框架的稀疏恢复模型称为\textit{Support Driven Sparse Regularization}(SDSR)的图像去模糊,其中部分支持信息的帧系数获得通过自学习策略,并通过建议截断$\ell_0$正则化。此外,国家的最先进的图像复原方法可以很自然地纳入我们提出的基于小波框架的稀疏恢复框架。特别地,为了实现帧系数的可靠的支持估计,我们利用现有技术的图像复原结果(诸如来自IDD-BM 3D方法的图像复原结果)作为用于支持估计的初始参考图像。我们广泛的实验结果表明,令人信服的改进,现有的国家的最先进的去模糊方法。
2016-03-26 cs.CV
$\mathrm{S}^3$-PnP: Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors
Xi’an Jiaotong University(西安交通大学);Northwestern Polytechnical University(西北工业大学);Nanyang Technological University(南洋理工大学);Tsinghua University(清华大学);Hong Kong Polytechnic University(香港理工大学);ETH Zürich(苏黎世联邦理工学院)
针对科学成像中监督训练缺乏干净目标的问题,提出S³-PnP自监督即插即用复原框架,通过ADMM中间状态学习得分先验,在三类成像去噪任务中性能优于对比方法。
2026-10-14 cs.CV
Equivariant Denoisers for Image Restoration
Télécom Paris, IP Paris(巴黎电信学院,巴黎大学联盟)
本文提出基于等变去噪器和随机优化的统一框架ERED,用于图像恢复,分析了算法收敛性并讨论了实际益处。
2025-02-28 cs.CV eess.IV stat.ML
Deep priors for satellite image restoration with accurate uncertainties
ISAE-Supaero / CNES(ISAE-苏帕欧 / CNES);IRIT/INP-ENSEEIHT;CNES;ISAE-Supaero(ISAE-苏帕欧)
本文提出VBLE-xz方法,通过变分压缩自动编码器的潜在空间解决卫星图像修复的反问题,并联合估计潜在空间和图像空间的不确定性,为需要不确定性量化的场景提供了一种高效替代方案。
2025-12-15 cs.CV eess.IV physics.optics
Inverse problem regularization with hierarchical variational autoencoders
Univ. Bordeaux(波尔多大学);CNRS(法国国家科学研究中心);Bordeaux INP(波尔多国立综合理工学院);IMB(数学与计算机科学研究所);Ubisoft La Forge(育碧拉福奇工作室);Université Paris Cité(巴黎城市大学);MAP5(数学与应用概率科学研究所)
提出用分层变分自编码器作为图像先验正则化不适定逆问题,结合PnP收敛保证与生成模型灵活性,在自然图像恢复上达到SOTA水平。
2023-09-29 cs.CV cs.LG
Convex Variational Image Restoration with Histogram Priors
我们提出了一种新的变分图像恢复方法(例如,去噪、修补、标记),其使得能够用基于直方图的先验强制解接近某个给定的经验测量来补充已建立的变分方法。通过最小化一个单一的目标函数,该方法同时利用两个完全不同的信息源进行恢复:空间上下文的一些平滑度和非空间统计方面的新的先验利用Wasserstein距离之间的概率测度。我们研究的功能提升技术与两个不同的放松的直方图先验的组合,并得出一个联合凸变分方法。数学等价的两个松弛建立和最优性的情况下举行了讨论。此外,我们提出了一个有效的算法方案的数值处理所提出的模型。使用基本的基于全变分的去噪方法作为案例研究的实验证明了我们新的正则化方法。
2013-07-17 cs.CV math.OC
Decay2Distill: Leveraging spatial perturbation and regularization for self-supervised image denoising
Rochester Institute of Technology(罗切斯特理工学院);Chosun University(朝鲜大学)
非成对图像去噪在过去几年中取得了可喜的发展。无论性能如何,方法往往严重依赖于潜在的噪声属性或任何不总是实用的假设。或者,如果我们可以从结构的角度而不是噪声统计的角度来解决问题,我们可以实现更强大的解决方案。有了这样的动机,我们提出了一个自我监督的去噪方案,它是不成对的,依赖于空间退化,然后是正则化的细化。我们的方法比以前的方法有很大的改进,并在不同的数据域表现出一致的性能。
2022-08-04 cs.CV eess.IV
A Geometric Approach to Color Image Regularization
Heidelberg Collaboratory for Image Processing, Heidelberg University(海德堡大学海德堡图像处理合作实验室);Image and Pattern Analysis Group, Heidelberg University(海德堡大学图像与模式分析组)
我们提出了一种新的矢量全变分方法,解决了颜色一致性图像滤波的问题。我们的方法是从人类视觉皮层中的双对手细胞表示的启发。矢量全变差正则化器的现有方法在颜色通道之间具有不足的(或没有)耦合,并且因此可能引入颜色伪影。我们解决这个问题,通过引入一种新的耦合的颜色通道之间的拉回度量从对手的空间的数据(RGB颜色)空间。我们的能量是一个非凸的,非光滑的高阶矢量全变分方法,并通过耦合项促进颜色一致的图像滤波。对于一个凸变量,我们证明了在向量有界变差空间中的适定性和解的存在性。对于高阶方案,我们采用半二次策略,该策略将非凸能量项建模为二次函数序列的下确界。在实验中,我们详细阐述了传统的图像复原应用程序的修复,去模糊和去噪。关于后者,我们展示了最先进的恢复质量方面的结构连贯性和颜色的一致性。
2016-05-19 cs.CV
Unsupervised Variational Translator for Bridging Image Restoration and High-Level Vision Tasks
School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区智能系统工程学院);Guangdong Provincial Key Laboratory of Fire Science and Technology(广东省火灾科学与技术重点实验室)
针对图像复原衔接高层视觉任务需重训练模型、难获配对数据的问题,提出无监督变分翻译器VaT,以轻量桥接网络和变分自训练实现优化,在多任务中性能优异。
2024-12-11 cs.CV
Convergent plug-and-play with proximal denoiser and unconstrained regularization parameter
Univ. Bordeaux(波尔多大学);CNRS(法国国家科学研究中心);Bordeaux INP(波尔多国立理工学院);IMB(波尔多数学研究所);CEREMADE(巴黎多菲纳大学CEREMADE实验室);Université Paris-Dauphine(巴黎多菲纳大学);PSL(巴黎文理研究大学)
针对PnP图像逆问题中正则化参数受限影响复原的问题,本文证明无参数限制的PnP-DRS收敛性并提出宽参数范围收敛的松弛PGD,实验表明二者提升了复原精度。
2023-11-02 cs.CV math.OC
RouteWinFormer: A Route-Window Transformer for Middle-range Attention in Image Restoration
Faculty of Computing, Harbin Institute of Technology(计算机学院,哈尔滨工业大学)
针对图像恢复中长距离注意力计算开销大的问题,提出基于路由窗口的Transformer RouteWinFormer,动态选择邻近窗口建模中程上下文,并引入多尺度结构正则化,在9个数据集上超越现有方法。
2025-04-23 cs.CV
Two-Stage Vision Transformer for Image Restoration: Colorization Pretraining + Residual Upsampling
LNMIIT(拉纳印度理工学院)
本文提出双阶段视觉Transformer方法,通过颜色化预训练和残差上采样提升图像超分辨率性能,实现在DIV2K数据集上的高SSIM和PSNR指标。
2025-12-03 cs.CV
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
Tianjin University(天津大学);University of Macau(澳门大学);City University of Hong Kong(香港城市大学);Institute of Artificial Intelligence (TeleAI)(人工智能研究所(TeleAI))
本文提出FAPE-IR框架,通过频率感知规划与执行模块,结合多模态大语言模型和LoRA-MoE架构,实现统一且可解释的全场景图像修复,实验显示其在七项任务中表现优异。
2026-03-13 cs.AI cs.CV
Fast Scalable Image Restoration using Total Variation Priors and Expectation Propagation
Heriot-Watt University(赫瑞-瓦特大学)
提出了一种基于全变差先验的可扩展近似贝叶斯图像复原方法。与大多数基于最大后验估计的优化方法相比,我们使用期望传播(EP)框架来近似最小均方误差(MMSE)估计和边际(像素)方差,而不采用蒙特卡洛采样。对于经典的各向异性TV先验,我们还提出了一个迭代方案,通过期望最大化(EM)自动调整正则化参数。使用高斯近似密度与对角协方差矩阵,所得到的方法允许高度并行化的步骤,并可以扩展到大图像的去噪,去卷积和压缩感知(CS)问题。仿真结果表明,这样的EP方法可以提供一个后验估计,通过采样方法获得的,但在一小部分的计算成本。此外,EP没有表现出很强的低估后验方差,变分贝叶斯替代品。
2021-10-04 cs.CV