图像恢复新突破！双线性分解让TSGV模型收敛更快，高噪声下PSNR/SSIM全面领先
A Cone-Constrained Bilinear Decomposition for Total Scaled-Gradient Variation Models
📖 AI 总结
该论文提出了一种针对全尺度梯度变分（TSGV）正则化模型的高效求解方法。TSGV正则化虽能有效保留图像边缘和角点，但其高度非凸非线性的特性导致现有算法存在参数敏感或缺乏收敛保证的问题。作者通过引入锥约束双线性分解，将TSGV中的非线性加权梯度解耦，转化为等价的锥或球约束优化问题，其中锥约束对边缘和角点保留起关键作用。求解上采用交替最小化方法结合majorization-minimization策略，无需调整步长即可保证能量单调递减，并在Kurdyka–Łojasiewicz框架下证明了全局收敛性。实验表明，在高斯去噪和非视域成像任务中，该方法在PSNR和SSIM指标上达到或优于代表性变分方法，尤其在高噪声水平下表现突出，并能改善密集和稀疏扫描下的结构重建质量。
🔑 关键词速览
| TSGV (Total Scaled-Gradient Variation) | 一种正则化器，通过对分段线性结构的稀疏建模来保留图像边缘和角点。 |
| Bilinear Decomposition | 将非线性项分解为双线性形式的方法，用于简化优化问题。 |
| Cone Constraint | 一种约束条件，将变量限制在锥形区域内，用于刻画边缘和角点保留行为。 |
| Alternating Minimization Method (AMM) | 一种迭代优化算法，通过交替更新不同变量子集来求解优化问题。 |
| Kurdyka-Łojasiewicz Framework | 一种用于分析非凸优化算法全局收敛性的数学框架。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅