Apprentissage d'une fonction de régularisation locale pour la restauration d'images

Jean Prost (1) , Antoine Houdard (1) , Andrés Almansa (2) , Nicolas Papadakis (1)

1 IMB - Institut de Mathématiques de Bordeaux
2 MAP5 - UMR 8145 - Mathématiques Appliquées Paris 5

Dans ce travail, nous élaborons une stratégie afin d’apprendre une fonction de régularisation pour résoudre des problèmes de restauration d’images. Une fonction de régularisation locale, paramétrée par un réseau de neurones convolutif, est entraînée telle une "critique" entre deux distributions non appariées de patches propres et dégradés, en utilisant un critère d’apprentissage inspiré par les Wasserstein-GAN. La fonction de régularisation globale est ensuite définie comme la valeur moyenne de la fonction locale sur l’ensemble des patches de l’image. L’efficacité de cette méthode est démontrée sur des problèmes de débruitage et de défloutage.

Domaines: Traitement du signal et de l'image [eess.SP]

Jean Prost, Antoine Houdard, Andrés Almansa, Nicolas Papadakis. Apprentissage d'une fonction de régularisation locale pour la restauration d'images. Congrès des jeunes chercheurs en vision par ordinateur (ORASIS'21), Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339625⟩