Plug-and-Play image restoration with Stochastic deNOising REgularization

要約

プラグ アンド プレイ (PnP) アルゴリズムは、物理モデルと正則化のためのディープ ニューラル ネットワークを組み合わせることによってイメージの逆問題に対処する反復アルゴリズムの一種です。
たとえ印象的な画像復元結果が得られたとしても、これらのアルゴリズムは、反復するにつれてノイズが少なくなる画像に対するデノイザーの非標準的な使用に依存しています。これは、拡散モデル (DM) に基づく最近のアルゴリズムとは対照的です。
再ノイズ処理された画像にのみ適用されます。
我々は、適切なレベルのノイズを持つ画像にのみデノイザーを適用する、Stochastic deNOising REgularization (SNORE) と呼ばれる新しい PnP フレームワークを提案します。
これは明示的な確率的正則化に基づいており、不正設定逆問題を解決するための確率的勾配降下法アルゴリズムにつながります。
このアルゴリズムとそのアニーリング拡張機能の収束解析が提供されます。
実験的に、SNORE が、量的および質的に、ぼやけ除去および修復タスクに関する最先端の方法と比較して競争力があることを証明しました。

要約(オリジナル)

Plug-and-Play (PnP) algorithms are a class of iterative algorithms that address image inverse problems by combining a physical model and a deep neural network for regularization. Even if they produce impressive image restoration results, these algorithms rely on a non-standard use of a denoiser on images that are less and less noisy along the iterations, which contrasts with recent algorithms based on Diffusion Models (DM), where the denoiser is applied only on re-noised images. We propose a new PnP framework, called Stochastic deNOising REgularization (SNORE), which applies the denoiser only on images with noise of the adequate level. It is based on an explicit stochastic regularization, which leads to a stochastic gradient descent algorithm to solve ill-posed inverse problems. A convergence analysis of this algorithm and its annealing extension is provided. Experimentally, we prove that SNORE is competitive with respect to state-of-the-art methods on deblurring and inpainting tasks, both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google