基于极端通道先验和梯度倒谱的图像盲复原

针对极端通道先验去模糊方法复原得到的图像经常出现振铃伪影等问题,提出一种基于极端通道先验和梯度倒谱的单幅图像盲去模糊方法。首先,对极端通道先验施加l0范数约束并将其引入到最大后验概率框架中构造出模糊核估算模型;然后,对模糊核进行多尺度交替迭代估计,在迭代过程中利用半二次方分裂法有效解决模型的非凸问题。为了抑制每个尺度的过度迭代,利用核相似度来评估迭代过程中的模糊核细微变化,从而使得最终迭代得到的模糊核更加精确。最后,通过非盲解卷积实现图像的去模糊。实验表明,所提方法在合成数据集与真实数据集上取得了良好效果,能够抑制伪影和恢复出更多的图像细节。

基于非局部先验的深度压缩感知图像重构网络

传统的基于迭代的压缩感知(CS)图像重构算法易于集成图像先验信息,但存在性能不足、计算复杂度高等缺点。基于深度学习的图像重构算法重构性能通常优于传统的重构算法,并且具有更低的重构计算成本。因此,为了设计出一种更有效利用先验信息的深度学习图像重构算法,该文提出基于非局部先验的深度压缩感知图像重构网络。首先,将稀疏性和非局部先验相结合建立压缩感知图像重构模型,然后通过半二次方分裂法将模型分解为3个子问题,每一个子问题的求解都在深度学习的框架下展开,最后联合建立端到端的可训练的图像重构模型。仿真实验表明,在测试的采样率与数据集下该文所提算法的峰值信噪比与当前主流的重构算法SCSNet相比平均提升了0.18 dB,与CSNet算法相比平均提升了约1.59 dB,与ISTA-Net+算法相比平均提升了约2.09 dB。