文献翻译1

摘要
许多基本的图像相关问题都涉及到反卷积运算，由于相机的噪音, 饱和, 图像压缩, 真正的模糊退化很少符合理想的线性卷积模型。 我们开发一个深层的卷积神经网络捕捉特征退化，而不是以完全建模的孤立点来研究，从生成模型的角度来看这是一个相当大的挑战。我们注意到直接应用现有的深层神经网络不会产生合理的结果。我们的解决方案是建立传统的基于优化的方案和神经网络结构之间的连接, 在其中引入了一种新颖的可分离结构, 作为对工件的鲁棒反卷积的可靠支持。我们的网络包含两个子模, 这两个都是经过适当的初始化训练的。与先前生成模型的方法相比, 它们在 非盲图像反卷积上产生了很好的性能。
1
许多图像和视频退化过程可以建模为平移不变卷积。在运动去模糊 [1, 2, 3, 4], 超分辨率 [5, 6] 和延伸的景深 [7]方面，要恢复这些可视化数据, 逆过程, 即反卷积,成为一个重要的工具。
在涉及相机拍摄的图像的应用中, 诸如饱和度、有限图像边界、噪音或压缩工件等异常值是不可避免的。先前的研究表明, 不当处理这些问题可能会引发与图像内容相关的广泛的问题, 这是很难去除的。因此, 有工作致力于在在非盲反卷积上建模和处理每个特定类型的问题，压制铃声问题 [8], 去噪 [9], 并处理饱和区域 [9, 10]。这些方法可以通过统计图像块修补 [11] 或其他方案进一步细化 [4]。由于每种方法都有其自身的特殊性和局限性, 所以还没有解决所有这些问题的办法。图中显示了一个例子. 1 –带有压缩错误的部分饱和模糊图像，在许多现有的方法可能已经失败了。
去除这些问题的一种可能性是通过使用生成模型。然而, 这些模型通常是根据强假定, 如相同和独立的分布噪音, 这可能无法支持真实的图像。这一事实说明, 当图像模糊属性略有改变时, 即使是高级算法也会受到影响。
本文提出了自然图像反卷积的方法, 不是基于它们的物理或数学特征。相反, 我们显示了一个新的方向, 以建立一个数据驱动系统, 使用图像样本, 可以很容易地从照相机或网上收集。
我们使用卷积神经网络 (cnn) 来了解反卷积运算, 而无需知道视觉问题的起因。我们也不依赖任何预处理来去模糊图像, 不像以前的学习方法 [12, 13]。事实上, 为反褶积找到合适的网络结构是 non-trivial 的。先前的消噪神经网络 [14, 15, 16] 不能直接采用, 因为反褶积可能涉及到许多相邻像素, 并导致一个非常复杂的能量函数, 非线性退化。这使得参数学习非常具有挑战性。