Deep Variational Network Toward Blind Image Restoration

要約

ブラインドイメージ復元（IR）は、コンピュータービジョンでは一般的ですが、困難な問題です。
従来のモデルベースの方法と最近の深層学習（DL）ベースの方法は、この問題の2つの異なる方法論を表しており、それぞれに長所と短所があります。
本論文では、それらの両方の利点を統合することを目的として、新しいブラインド画像復元法を提案する。
具体的には、劣化プロセスを明示的に表す、ブラインドIRの一般的なベイズ生成モデルを構築します。
この提案されたモデルでは、ピクセル単位の非i.i.d.
画像ノイズを適合させるためにガウス分布が採用されています。
単純なi.i.dよりも柔軟性があります。
画像劣化に含まれるより複雑なノイズタイプを処理するために、従来の方法のほとんどで採用されているガウス分布またはラプラス分布。
モデルを解くために、予想されるすべての事後分布が深いニューラルネットワークとしてパラメーター化され、モデルの機能が向上する変分推論アルゴリズムを設計します。
特に、そのような推論アルゴリズムは、劣化推定と画像復元のタスクを共同で処理するための統一されたフレームワークを誘発します。
さらに、前者のタスクで推定された劣化情報は、後者のIRプロセスをガイドするために利用されます。
2つの典型的なブラインドIRタスク、つまり画像のノイズ除去と超解像に関する実験は、提案された方法が現在の最先端技術よりも優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

Blind image restoration (IR) is a common yet challenging problem in computer vision. Classical model-based methods and recent deep learning (DL)-based methods represent two different methodologies for this problem, each with their own merits and drawbacks. In this paper, we propose a novel blind image restoration method, aiming to integrate both the advantages of them. Specifically, we construct a general Bayesian generative model for the blind IR, which explicitly depicts the degradation process. In this proposed model, a pixel-wise non-i.i.d. Gaussian distribution is employed to fit the image noise. It is with more flexibility than the simple i.i.d. Gaussian or Laplacian distributions as adopted in most of conventional methods, so as to handle more complicated noise types contained in the image degradation. To solve the model, we design a variational inference algorithm where all the expected posteriori distributions are parameterized as deep neural networks to increase their model capability. Notably, such an inference algorithm induces a unified framework to jointly deal with the tasks of degradation estimation and image restoration. Further, the degradation information estimated in the former task is utilized to guide the latter IR process. Experiments on two typical blind IR tasks, namely image denoising and super-resolution, demonstrate that the proposed method achieves superior performance over current state-of-the-arts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google