2026《深度图像降噪先验方法概述》2700字.docxVIP

深度图像降噪先验方法概述

深度图像降噪是深度图像修复的特例，两者都符合映射。因此，在一些优化算法中，单幅深度图像修复问题可以转变为一个或多个残差子问题，采用不同的策略进行近似的求解。其中，一些残差问题可看作深度图像降噪。因此，合适的深度图像降噪方法是修复的关键步骤。

目前，图像的降噪先验分为两大类：基于模型的方法和判别学习方法[116]。基于模型方法的降噪先验是针对降噪过程逆变的约束求解，实质是正则项的设计。判别学习方法的降噪先验分为基于MAP推断引导的方法和一般的方法，两者最大区别在于回归函数是否用到了MAP。模型方法的降噪先验方法不需要训练，需要进行多次循环计算，时间成本高；判别学习方法的降噪先验方法不需要繁琐的推理步骤，需要成对的图像进行端对端训练。一般情况下，判别学习方法的降噪效果优于基于模型的方法。

图像降噪是图像重建中的基础问题，是图像中最简单的逆问题。因此，研究学者致力于对图像降噪的研究，并将其利用到图像修复和模糊等问题中。目前，存在的降噪先验有K-SVD[127-129]、块匹配三维滤波法(BM3D)[130]、CNN降噪法[131-132]等。其中，K-SVD降噪先验和BM3D降噪先验属于基于模型的方法，CNN络降噪先验属于判别学习法。

1.1K-SVD降噪先验

SVD降噪方法的核心思想是在过完备字典的前提下，获得信号的一个近似稀疏的表示，其数学表达式如式(2-