标签：条件 任务 sed 通道 基础 转化 技术 公式 分布
根据贝叶斯公式和MAP，可将图像退化问题表示出来，再利用变量分割技术(HQS)，将该问题转化为两个子问题，其中一个子问题为图像降噪问题，该问题一般可以用传统的model-based方法解决，但是存在诸多问题，所以利用CNN为基础的判别式学习方法对图像通道相关的先验进行建模，利用其并行性等优点，执行图像降噪任务。
对于变量分割技术除了HQS,还存在着ADMM技术，可否引入这种方法进行变量的分离？
对于降噪子任务，为了实现对图像先验的有效建模和对噪声水平的有效估计，可否使用生成对抗网络而不是CNN-based的判别式学习方法进行建模呢？
对于提升模型的采样的准确性，可否引入CGANs机制，对带求分布进行条件约束？
对于提高模型的对图像局部的恢复效果，引入PatchGANs进行感知域的选择？
对于生成器的upsampling操作，deconv时间成本高同时且容易产生伪影，尝试
对于生成器，不使用pooling，尝试引入扩张卷积，增大感知域的同时，不损失图像的信息；
标签：条件 任务 sed 通道 基础 转化 技术 公式 分布
原文地址：https://www.cnblogs.com/ChenKe-cheng/p/11381198.html
