Sobre o aprendizado de processos de difusão de reação otimizados para restauração eficaz de imagens

Por várias décadas, a restauração de imagens permanece um tópico de pesquisa ativa em visão computacional de baixo nível e, portanto, novas abordagens estão constantemente surgindo. No entanto, muitos algoritmos recentemente propostos atingem um desempenho de ponta apenas em detrimento de um tempo de computação muito alto, o que claramente limita sua relevância prática. Neste trabalho, propomos uma abordagem simples, mas eficaz, com alta eficiência computacional e alta qualidade de restauração. Estendemos modelos convencionais de difusão de reação não lineares por vários filtros lineares parametrizados, bem como várias funções de influência parametrizadas. Propomos treinar os parâmetros dos filtros e das funções de influência por meio de uma abordagem baseada em perda. Experimentos mostram que nossos modelos não lineares de difusão de reação treinados beneficiam-se amplamente do treinamento dos parâmetros e, finalmente, levam ao melhor desempenho relatado em conjuntos de dados de teste comuns para restauração de imagens. Devido à sua simplicidade estrutural, nossos modelos treinados são altamente eficientes e também são bem adequados para computação paralela em GPUs.