DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior

要約

従来の反復法を深層学習アプリケーションに組み込んだ非ブラインド画像デコンボリューションのモデルを提示します。
大規模な過剰パラメータ生成ネットワークを使用して鮮明な画像表現を作成する代わりに、反復的な Landweber デコンボリューション アルゴリズムに基づいてネットワークを構築します。このアルゴリズムは、トレーニング可能な畳み込みレイヤーと統合されて、復元された画像構造と詳細を強化します。
データ忠実度項に加えて、画像再構成の品質を向上させるために、正則化項としてヘッセ行列とスパース制約も追加します。
私たちが提案するモデルは \textit{self-supervised} であり、事前トレーニングを必要とせずに、入力されたぼやけた画像とそれぞれのぼかしカーネルに純粋に基づくソリューションに収束します。
標準的なコンピューター ビジョン ベンチマーク データセットと、拡張被写界深度 (EDOF) 水中顕微鏡によって得られた実際の顕微鏡画像を使用して技術を評価し、実際のアプリケーションでのモデルの機能を実証します。
定量的な結果は、パラメーターの一部があり、事前にトレーニングされていないにもかかわらず、私たちのアプローチが最先端の非ブラインド画像ブレ除去方法と競合することを示しており、古典的なデコンボリューションアプローチを内部に埋め込むことの効率と有効性を示しています。
深いネットワーク。

要約(オリジナル)

We present a model for non-blind image deconvolution that incorporates the classic iterative method into a deep learning application. Instead of using large over-parameterised generative networks to create sharp picture representations, we build our network based on the iterative Landweber deconvolution algorithm, which is integrated with trainable convolutional layers to enhance the recovered image structures and details. Additional to the data fidelity term, we also add Hessian and sparse constraints as regularization terms to improve the image reconstruction quality. Our proposed model is \textit{self-supervised} and converges to a solution based purely on the input blurred image and respective blur kernel without the requirement of any pre-training. We evaluate our technique using standard computer vision benchmarking datasets as well as real microscope images obtained by our enhanced depth-of-field (EDOF) underwater microscope, demonstrating the capabilities of our model in a real-world application. The quantitative results demonstrate that our approach is competitive with state-of-the-art non-blind image deblurring methods despite having a fraction of the parameters and not being pre-trained, demonstrating the efficiency and efficacy of embedding a classic deconvolution approach inside a deep network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google