基于深度无监督学习的图像反问题研究开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述 图像反问题是传感、成像和计算机视觉等领域的重要研究对象，主要包括：图像去噪（image de-nosing），图像恢复（image restorsion），图像放大（image zooming），图像修补（image inpainting），图像去马赛克（image demosaicing），图像超分辨(image super-resolution )等。

在处理图像反问题早期，解决问题的手段主要是集中在基于迭代的基于物理模型的方法[1]-[3]。

去噪的主要目的是为自然图像找到一个好的模型。

2. 研究的基本内容、问题解决措施及方案

深度神经网络已经成功地应用到各种计算机视觉任务中，如图像解压，图像绘制，超分辨率图像等等，其中本课题要研究的图像反问题的研究主要集中在图像的降噪方面。

在图像降噪方面以往基于神经网络学习已经有了很大方面的进展，其中有很多经典的使用物理方法的滤波模型，以及基于有监督的深度学习构建的降噪模型，但是这些模型往往需要大量的有噪声图片（y）和干净图片（x）构成的图像对{x,y}作为训练集，然而这样的条件在现实中有事很难达成，或者获得的成本很高（如 ，高光谱遥感和医学成像）。

随着现实中的需要，对于无原始图像的处理分出两种处理方法，无监督深度学习和深度图像先验。