[发明专利]一种基于通用化深度展开网络的图像重建方法

说明书

一种基于通用化深度展开网络的图像重建方法，通过设计了一个通用化深度展开网络来进行训练和重建，该方法包括以下步骤：步骤S1.构造训练数据集；S2 构造通用化深度展开网络；S3 训练通用化深度展开网络；S4 应用训练好的通用化深度展开网络进行图像重建过程；本发明的基于通用化深度展开网络的图像重建方法可以从多种图像重建任务的退化图像中重建出高质量的图像，在保持深度展开网络良好的可解释性的同时拓展了其通用性，解决了深度展开网络的内在结构导致的阶段间特征级信息损失，具有更高的重建精度。

技术领域

本发明属于图像修复领域，具体涉及一种基于通用化深度展开网络的图像重建方法。

背景技术

图像修复任务旨在通过高质量图像的退化观测值高精度地重建出原图像，其退化过程一般被定义为：

其中，表示退化矩阵，n表示加性噪声。因为y的维度通常远小于x的维度，所以图像修复任务是一个典型的病态问题。根据退化矩阵的不同，图像修复任务可以被分为去雨、去模糊、去噪等多个子任务，这些任务具有广阔的实际应用场景并在高层计算机视觉任务中起到基石作用。具体来说，该领域现有的主流方法大致可以分为三类：基于模型的方法、基于深度学习的方法和结合前两种方法的混合方法。

基于模型的方法^[1-7]通常通过优化如下模型进行图像重建：

其中是衡量约束项的可调节参数，该约束项通常对图像x的某些先验性质做出约束以限制此病态问题的解空间，常见的先验包括总变差^[1]、稀疏表示^[2,3,4]、低秩性^[5]和自相似性^[6,7]等。此类方法虽然在理论上具有有力的支撑，然而依赖人为经验进行设计的先验造成了其不稳定的表现。另一方面，确定约束项后需要使用合适的优化算法迭代优化目标函数直至收敛，这个过程通常非常耗时。

得益于近年来深度学习技术的快速发展，图像修复领域也出现了一批基于深度学习的方法^[8-14]，并且通过引入记忆策略^[8]、沙漏型结构^[9,10,11]、非局部机制^[12,13,14]等取得了良好的性能。解决以上问题及缺陷的难度为：此类方法虽然能从大量的数据中学习到强大的先验，也一定程度上缓解了耗时的问题，但“黑盒”式的设计使得分析其中不同模块的作用变得困难，性能的提升通常也以模型复杂度的增长为代价。解决以上问题及缺陷的意义在于：1）使网络摆脱对于手工设置的退化因素的依赖，可以应对更加真实和复杂的情况，从而提升在真实图像上的重建性能；2）从多个尺度上减少特征域到特征域与特征域到图像域的信息损失，让图像重建任务在保持传统方法良好可解释性的同时更适应深度神经网络的设计，从而进一步提升重建性能。

为了结合基于模型的方法和基于深度学习的方法两者的优点，一些混合方法^[15-18]被提出。此类方法通常将传统的优化算法展开成可以端到端训练的多阶段深度神经网络，网络的一个阶段对应算法中的一次迭代。混合方法继承了前两种方法的可解释性和适应性，同时也有着重建精度和速度上的优势。然而，背景技术存在的主要问题是：出于可解释的设计，此类方法通常需要已知的退化过程，因此大多数方法会手工做出退化假设^[15]或将退化参数提供给网络^[18]以处理预定义好的退化问题，以致其难以处理真实世界更为复杂的退化过程；在另一方面，由于传统的基于模型的方法每次迭代都以图像为输入和输出，混合方法网络中每个阶段的输入和输出也采取了图像的形式，这种固有的设计造成了特征域到图像域的信息损失从而影响了图像重建的性能，而这一点在过去的工作中很少被纳入考量。

发明内容