10.16451/j.cnki.issn1003-6059.202210002
基于截断核范数的图像去噪展开网络
基于模型驱动的图像去噪通常需要先构造先验正则项,在求解优化模型时计算成本较高.基于数据驱动的方法得益于神经网络灵活的架构和强大的学习能力,具有较优越的性能和较高的效率,但往往缺乏足够的可解释性.为此,文中提出基于截断核范数的图像去噪展开网络,结合低秩矩阵恢复中基于截断核范数的模型驱动方法和图像去噪,并将每次迭代看作展开网络的一个阶段,把每个阶段进行连接,形成一个端到端的可训练展开网络.在上述每个阶段中,借助神经网络学习奇异值算子,解决奇异值分解在传统迭代算法中计算代价较高的问题.在多组去噪数据集上的实验验证文中网络的有效性.
图像去噪、深度学习、截断核范数(TNN)、矩阵恢复
35
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;浙江省属高校基本科研业务费专项
2022-11-24(万方平台首次上网日期,不代表论文的发表时间)
共13页
881-892,927