真实图像中的噪声是多种噪声成分累积的复杂结果，导致图像去噪任务非常困难。主流的图像去噪方法主要分为两大类：模型驱动的传统最大后验（Maximum A Posteriori，MAP）方法与数据驱动的现代深度学习方法。模型驱动方法通过构建一个合理的MAP模型完成去噪的任务。具体来说，就是假设观测噪声图y背后蕴含的两个隐藏变量的信息，分别对应干净图像及噪声，模型驱动的根本目标是构建出以观测图为条件的对应隐藏变量的条件分布（即后验分布），基于此后验形式，通过观测y的信息推断出z的信息，完成图像复原的目标。这其中最大的技巧与难度在于设计一个有效的MAP模型必须要通过深入理解图像的生成机制，对图像中隐藏的先验结构信息建模，如图像先验（如稀疏性、低秩性和非局部相似性等）与噪声先验（如空间一致性、通道关联性等），后者即为近年来我们小组研究的噪声建模的主要内容。此类方法具有良好的解释性，但最大的缺点在于过度依赖于预先给定的图像先验及噪声分布假设，当该假设偏离于实际数据的真实情况时，其所构建的模型便不再适用。另外，对每个观测噪声图，该类方法均需对复原目标重新运行完整的推断或优化算法，导致其在现实应用中运算效率过低，极大地限制了其实用价值。
此文由 怡心湖 编辑，若您觉得有益，欢迎分享转发！：首页 > 常识论 » 数字图像处理：从噪声建模到变分深度学习方法去除噪声