Abstract

最近关于即插即用图像恢复的工作表明，去噪器可以隐式作为基于模型的方法解决许多逆问题的图像先验。

当通过具有大建模能力的深度卷积神经网络（CNN）判别性地学习去噪时，这种特性为即插即用图像恢复带来了相当大的优势（例如，集成了基于模型方法的灵活性和基于学习的方法的有效性）。

然而，尽管更深、更大型的CNN模型正在迅速普及，但由于缺乏合适的去噪器先验，现有的即插即用图像恢复阻碍了其性能。

为了突破即插即用图像恢复的极限，作者通过训练高度灵活和有效的CNN去噪器，先建立了一个基准深度去噪器。

然后，作者将深度去噪器作为模块化部分插入基于 half quadratic splitting 的迭代算法，以解决各种图像恢复问题。

同时，作者对参数设置、中间结果和实验收敛进行了透彻的分析，以更好地了解工作机制。

关于三种具有代表性的图像恢复任务的实验结果表明，包括去模糊、超分辨率和去马赛克，所提出的带有深度去噪器的即插即用图像恢复不仅明显优于其他最先进的基于模型的方法，而且与最先进的基于学习的方法相比，还取得了竞争性甚至卓越的性能。

【深度学习】Plug-and-Play Image Restoration with Deep Denoiser Prior