基于生成對抗網絡的圖像處理及應用

趙知春

（重慶對外經貿學院 重慶市 401520）

1 引言

圖像的模糊問題是生活中最的常見問題之一，設備在圖像獲取以及傳輸的過程中都會因為各種各樣的不利因素導致圖像退化和降質，從而導致丟失大量真實有用的信息，大大降低了圖像的科研價值以及有效信息，并有可能造成嚴重的經濟損失。因此，在進行圖像分析處理前為使在后續的圖像檢測中能夠保留足夠的真實信息，在之前需要進行圖像復原。

早期圖像盲復原技術大都采用的是參數估計法，這種方法是先根據圖像或成像環境的先驗信息對PSF 進行辨識，然后再利用所獲得的PSF，采用經典的非盲復原方法，如逆濾波、維納濾波、R-L方法等得到原清晰圖像的估計。與參數估計法相對應的是非參數化約束盲復原技術，1988年，Ayers 和Dainty 通過實驗提出了迭代盲去卷積法，它的基本思想就是在空間域以及傅里葉域交替迭代的過程中施加約束條件，從而最終得到目標圖像理想估計，該算法簡單快速，對噪聲具有較好的魯棒性，但由于沒有客觀的迭代截止準則，很容易產生局部收斂。1992年，Rudin 等首次提出全變差正則化模型，此模型最終將偏微分理論成功地應用到圖像去噪處理中，從而開創了基于全變差正則化模型的圖像盲復原相關方法。1996年，You 和Kareh 利用圖像和PSF 的H1 范數作為正則項引入到代價函數中，該方法可以針對空變退化圖像進行復原。

近年來深度學習的快速發展，很多文獻中應用深度學習算法來評估圖像，深度學習方法即深度卷積神經網絡方法，深度學習具有強大的自動學習對象特征的能力，但需要大量的計算，而隨著硬件技術的發展，計算機的計算能力越來越強大，圖像復原領域也開始大量使用深度學習。……