《Digital Signal Processing》：An Accelerated Unsupervised Denoising Model Based on Risk Estimation and Sparsity Variational Techniques
編輯推薦：
針對 Deep Image Prior（DIP）去噪性能有限、收斂慢、易過擬合等問題，研究人員提出引入 Stein 無偏風險估計（SURE）損失和全廣義變分（TGV）正則化的模型，結合重疊組稀疏（OGS）等技術。結果顯示 PSNR、SSIM 提升，迭代次數僅為 DIP 十分之一，優于 DnCNN 等模型。
在數字圖像處理的浩瀚星空中，圖像去噪始終是一顆關鍵的星辰，其光芒照亮了醫學影像、衛星遙感等多個領域。然而，現有的 Deep Image Prior（DIP，深度圖像先驗）方法卻如蒙塵的寶石，存在去噪性能不足、收斂速度遲緩以及容易陷入過擬合的陰霾，這些問題嚴重制約了其在實際場景中的應用。就像在迷霧中航行的船只急需燈塔指引，研究人員迫切需要找到突破這些瓶頸的新路徑。
為了驅散 DIP 方法面臨的重重迷霧，來自相關研究機構的研究人員開展了一項富有創新性的研究。他們致力于構建一種更高效的無監督圖像去噪模型，期望在提升去噪效果的同時，加快收斂速度并增強模型的抗過擬合能力。經過不懈探索，研究人員在《Digital Signal Processing》上發表的研究成果表明，他們成功提出了一種融合多種先進技術的模型，為圖像去噪領域帶來了新的曙光。
研究人員在這項研究中運用了多個關鍵技術方法。首先引入 Stein 無偏風險估計（SURE）損失函數替代傳統的均方誤差（MSE）損失，無需真實圖像數據即可實現無偏風險估計；接著采用全廣義變分（TGV）正則化來緩解過擬合問題，同時將重疊組稀疏（OGS）方法引入到 TGV 正則化項的一階梯度約束中，以解決 TGV 可能導致的邊緣模糊問題；此外，模型利用快速 Split Bregman 方法分解優化問題，并借助快速傅里葉變換（FFT）和極大極小化（MM）技術交替求解子問題，大幅提升了計算效率。值得注意的是，該模型摒棄了 DIP 及其變體常用的隨機噪聲圖像作為網絡輸入的方式，轉而使用觀測到的含噪圖像，在 SURE 的助力下實現了快速收斂。
結果與討論
在圖像去噪任務的性能評估中，研究人員開展了定量實驗。在所有圖像集的測試里，與傳統 DIP 方法相比，該模型在處理高斯噪聲時展現出顯著優勢。具體而言，峰值信噪比（PSNR）平均提升了 7.0%，結構相似性指數（SSIM）平均改善了 5.5%，收斂速度更是實現了重大突破，達到峰值性能所需的迭代次數僅為 DIP 及其變體的十分之一。不僅如此，與基于監督學習的先進卷積神經網絡如去噪卷積神經網絡（DnCNN）相比，該模型也表現出更優的性能。
結論
這項研究成果為圖像去噪領域注入了新的活力。研究人員通過將 SURE 風險估計與顯式正則化項相結合，有效提升了模型的去噪性能，降低了過擬合風險，同時利用創新的輸入方式和高效的優化方法，大幅縮短了收斂時間。該模型不僅在理論上拓展了圖像去噪的研究思路，更為實際應用場景提供了一種高效、可靠的解決方案，有望在醫學成像、計算機視覺等領域發揮重要作用，推動相關技術的進一步發展與應用。其提出的融合多種技術的思路，也為后續圖像去噪及其他圖像處理問題的研究提供了寶貴的借鑒。
