论文阅读-Learning Deep CNN Denoiser Prior for Image Restoration
Zhang K, Zuo W, Gu S, et al.Learning Deep CNN Denoiser Prior for Image Restoration[J]. 2017.
1.引言
图像恢复（image restoration，IR） ——从退化模型中恢复出干净的图像x
退化模型：
，其中H是退化矩阵，v是附加噪声。
图像恢复有三种典型的任务，在图像去噪中，H是单位矩阵（identity matrix）； 图像去模糊中，H的模糊算子；图像超分辨中，H是下采样和模糊的复合算子。
从贝叶斯的角度分析，x的估计（
）可以通过MAP（最大后验估计）问题求解：
式（2）前半部分为保真项（fidelity firm），后半部分为正则项（regularization firm ）。
为了解决式（2），一般有两种方法，基于模型的优化方法和判别学习方法（discriminative learning methods），基于模型的优化方法例如NCSR，基于学习的方法L例如SRCNN、MLP等等，前者只需退化矩阵，后者需要训练集和特定的退化矩阵；在此我的理解是，前者为传统的图像处理算法，后者为利用深度学习或者机器学习的图像处理算法。这两种方法都有各自的优缺点，如果能加以结合各自的优势，可能会提高效果。幸运的是，已有变量分离技术（ variable splitting technique），如ADMM（alternating direction method of multipliers ），HQS（half quadratic splitting）方法，使得可以分别处理保真项（fidelity term）和正则项，其中正则项仅对应于去噪的子问题。因此，可以在基于模型的优化方法中使用discriminative denoisers。
本文的目标在于训练一系列快速高效的discriminative denoisers，并把它们用于基于模型优化的方法中，解决求逆问题。不使用MAP相关方法，而是使用CNN学习denoisers。
本文贡献：
- 训练出一系列CNN denoisers。使用变量分离技术，强大的denoisers可以为基于模型的优化方法带来图像先验。
- 学习到的CNN denoisers被作为一个模块部分插入基于模型的优化方法中，解决其他的求逆问题。
2.背景
以HQS方法为例，讲解如何对保真项和正则项进行变量分离。
为了将denoiser先验加入式（2）的优化操作，可行的变量分离操作通常是将保真项和正则项分解，在HQS方法中，引入附加变量z，等式（2）可被改写为一个约束最优化问题：
用HQS方法求解式（4）则可写为：
其中
为惩罚系数，式（5）可通过以下迭代求解：
其中保真项在式（6a）中，正则项在式（6b）中，（6a）的解法如下：
（6b）可改写为：
通过贝叶斯概率，式（8）可以看做处理图像高斯噪声的问题，噪声水平为
：
通过式（8）和式（9），图像先验
可以暗含在去噪先验中。
3.学习深度CNN去噪器先验
**
**
CNN去噪器模型如上图，由七层组成，含三种blocks，分别是：第一个“dilated Convolution+Relu”，中间五个“dilated Convolution+BN+Relu”，最后一层“dilated Convolution”。其中空洞因子（dilated factors，3×3）被依次设置为，1,2,3,4,3,2,1。每一个中间层的feature maps个数均为64.
下面给出本网络一些重要的设计和训练细节。
- 使用dilated filter扩大感受野。 在图像去噪任务中，背景信息对重构受损像素具有很大的作用。通过扩大CNN的感受野有两个方法，一个是增大卷积核尺寸，另一个是加深卷积深度。而增大卷积核尺寸，不仅引入了更多变量，也增加了计算负担，因此，最好的做法就是在现有的CNN设计中，使用深度更深的3×3卷积核。本文就是使用空洞卷积来平衡网络深度和感受野大小。空洞因子为s的空洞滤波器可以解释为尺寸为（2s+1）×（2s+1）的稀疏滤波器，其中只有9个位置非零。因此，对应于各层的感受野分为别：3,5,7,9,7,5,3，因此，所提出的网络卷感受野为33×33（问题：怎么得到的？）.如果使用传统的3×3滤波器，网络深度一定（如7），网络将会有一个15×15的感受野；或者感受野一定（如33×33），网络深度将为16。为了展示本文网络融合了以上两种模型的优势，基于噪声水平25，在相同的训练参数下，我们训练了三个模型。
- 使用批标准化BN和残差学习加速训练。
- 使用小尺寸训练样本避免边界效应。
- 学习噪声水平间隔较小的特定的去噪模型。