PulseAugur
中
实时 10:58:41
English(EN) A geometry-based deep equilibrium model for image restoration under multiplicative Gamma noise

新的基于几何的DEQ模型以更少的参数增强图像恢复能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的深度学习框架用于图像恢复，该框架解决了乘性伽马噪声和模糊造成的退化问题。该方法利用基于几何先验（如表面积和平均曲率）的显式、可解释的正则化器，这与依赖隐式正则化的传统DEQ模型不同。该框架采用镜像下降算法进行最小化，并通过Kurdyka-Lojasiewicz性质保证全局收敛到临界点。实验表明，该方法在可训练参数显著减少的情况下，实现了与最先进的DEQ模型相当的性能。 AI

影响 引入了一种新颖的图像恢复方法，有望提高AI驱动的成像应用的效率和性能。

排序理由 学术论文，详细介绍了一种用于图像恢复的新型深度学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的基于几何的DEQ模型以更少的参数增强图像恢复能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shengkun Yang, Luca Ratti, Zhichang Guo ·

    A geometry-based deep equilibrium model for image restoration under multiplicative Gamma noise

    arXiv:2608.04944v1 Announce Type: cross Abstract: We propose a deep learning framework for image restoration from images degraded by both multiplicative Gamma noise and blur. Unlike conventional deep equilibrium (DEQ) models that rely on implicit neural regularization, the propos…

相关话题