项目摘要:
图像恢复是指从退化观察数据中复原清晰图像的过程。作为计算机视觉领域的底层任务,图像恢复在医学、工程等领域均有广泛应用。由于图像本身的多样性,且通常会受到不同类型模糊和噪声的污染,图像恢复是一项极具挑战的任务。本项目使用多种数据拟合与正则项来建立基于软边界正则的模型。通过深度学习网络训练得到退化图像和相应高质量图像的软边界之间的关系,该模型可以较好地保留图像边界和角的特征;同时,由于采用了不同类型的拟合项,我们的模型还可处理不同类型的噪声。我们将新方法扩展到两类应用问题:低温电子显微镜成像和电子断层扫描成像。此时,需要根据重噪声与模糊污染的2D图像重建3D分子结构。严重的退化观测图像制约了3D重建的实现。借助软边界正则模型,可以有效利用图像的统计信息,改进图像恢复结果。针对多种模型,我们量身定制求解器并给出理论分析。同时,通过算法性能比较改进求解器,形成模型—应用—算法—分析的统一框架。