Deep K-SVD Denoising 论文笔记

Deep K-SVD 是在K-SVD的基础上，引入的基于深度学习的方法，将K-SVD变成一种端到端的可学习的结构框架，实验效果比传统的K-SVD去噪效果好，甚至可以接近最新的基于深度学习的去噪算法，此篇文章为传统机器学习和基于深度学习的两个方法之间架起了桥梁，可以启发我们在传统的算法上面引入深度学习，以达到更好的图像处理效果。

Introduction

去噪问题是一个逆问题，已知加性噪声V，和带有噪声的图像Y，清晰图像为X
Y = X + V
我们要从上面的表达式中求出清晰图像X。deep k-svd保留了原始k-svd的算法本质，并且要是提出的结构可以反向传播，变成一个可学习的结构。

THE K-SVD DENOISING ALGORITHM

从全局先验、目标函数的引入、对应的数值求解、和两种训练相应字典的方法、四个方面回顾了经典的K-SVD算法.
从patch到全局目标函数
计算数值
获得字典D

PROPOSED ARCHITECTURE

这篇论文的主要工作目的就是重新构造有能力学习自身参数的K-SVD去噪算法
Patch Denoising给出了具体的去噪步骤，包括稀疏表述、λ衡量、和Patch重构
Deep K-SVD的结构图如下： 在λ衡量中引入了多层感知器来学习参数λ，设置了一个端到端的结构从加噪图像中学习清晰图像。 在多层感知器下多次训练，已达到更好的效果。 论文的最后展示Deep K-SVD的实验效果，具体的实验效果大家可以去github上搜论文看。