计算机科学>计算机视觉和模式识别
职务: 用于图像恢复的深度广义展开网络
摘要: 深度神经网络(DNN)在图像恢复方面取得了巨大的成功。 然而,大多数DNN方法被设计成一个黑箱,缺乏透明度和可解释性。 尽管提出了一些将传统优化算法与DNN相结合的方法,但它们通常需要预定义的退化过程或手工假设,这使得处理复杂的实际应用变得困难。 在本文中,我们提出了一种用于图像恢复的深度广义展开网络(DGUNet)。 具体来说,在不损失可解释性的情况下,我们将梯度估计策略集成到近似梯度下降(PGD)算法的梯度下降步骤中,使其能够处理复杂的真实图像退化。 此外,我们在不同的PGD迭代中设计跨近端映射的级间信息通路,以通过多尺度和空间自适应的方式纠正大多数深度展开网络(DUN)中的固有信息丢失。 通过集成灵活的梯度下降和信息近邻映射,我们将迭代PGD算法展开为可训练的DNN。 在各种图像恢复任务上的大量实验证明了我们的方法在最先进的性能、可解释性和可推广性方面的优势。 源代码位于 此https URL .