TGV ups采样：语义分割的化妆操作

摘要

随着深度学习方法的广泛应用，近年来语义分词得到了很大的改进。然而，许多研究者指出，随着卷积和池化操作的多次使用，在提取过程中会出现大量的信息丢失。为了解决这个问题，人们提出了各种各样的操作或网络架构来弥补信息的损失。我们在许多研究中观察到一种趋势，将网络设计成对称类型，两部分分别代表“编码”和“解码”阶段。通过“解码”阶段的“上采样”操作，以某种方式构建特征图，或多或少地弥补了前一层的损失。本文着重对上采样操作进行了详细的分析，并对几种常用的神经网络方法进行了比较。我们还结合图像恢复的知识，设计了一个新的上采样层(或操作)称为TGV上采样算法。我们成功地用我们的新方法替换了之前研究中的上采样层。我们发现，我们的模型可以更好地保留细节纹理和特征地图的边缘，与原始模型相比，平均可以提高1.4-2.3%的准确率。

1.介绍

与传统的分类任务相比，语义分割要困难得多。在神经网络的层次上，应该对图像的每个像素使用分类器。这可以帮助机器更好地理解复杂的图像，而不仅仅是简单的物体识别。深度学习方法，特别是卷积神经网络，已经在视觉识别问题上产生了显著的效果。这证明了卷积运算可以成功地提取全局信息和特征，保持空间不变性。回顾现有的研究，我们发现大多数研究遵循对称架构，降低分辨率(称为编码阶段)，然后逐层逐渐增加分辨率(称为解码阶段)。无论详细的设计是什么，对于feature maps来说，如果一个网络包含一个high-to-low的过程，它将带来不可避免的损失，因为这个过程的目的是从一个高分辨率的呈现产生一个更容易的低分辨率的呈现。同时，随着层数的增加，最终高密度图像的纹理(或边界信息)会受到很大的影响。

处理这一挑战的一种方法是减少性能期间的操作损失。陈等人[1]使用了一个atrous卷积。通过在像素之间插入“空白”，研究人员扩大了接受域，生成了更高分辨率的特征图。虽然这种方法是有效的和成功的，但考虑到硬件和内存的限制，仍然很难应用。

另一种解决方案侧重于造成损失的方法。在最近的研究中，分层网络的设计[2，3.]一直是一种趋势。研究人员发现，可以在以后的阶段进行损失。在混合低级中间结果的信息时，可以更好地恢复高级特征映射，这进一步提高了密集的预测。

我们的灵感来自化妆的想法和趋势，将层分组成编码和解码阶段（见图1）.在编码阶段，对空间分辨率逐层下采样;然后，在解码阶段，“上采样”特征图(层产生的中间结果)，并相应提高分辨率，直到整个图像重建到原始大小。研究人员认为，在图像分割和重构的自上而下采样过程中，网络可以在不破坏物体形状或纹理的情况下检测出最重要的特征。重建的目的是为了弥补编码阶段产生的损失，而上采样方法的选择是关键。

在本文中，我们遵循对称设计并专注于解码阶段上采样方法的研究。我们的贡献如下：（1）我们详细介绍了目前常用的上采样方法、必要的概念和数学定义。（2）我们提出了一种新的基于总广义变差(TGV)模型的上采样方法[4- - - - - -6并将其应用于不同的网络。

2.相关的工作

语义分割，深度学习的重要分支[7]，也成为神经网络研究的一个活跃话题。在本节中，我们介绍了语义切分领域的几种先进网络及其在译码阶段使用的上采样方法。

2.1。对称网络

对称网络[8- - - - - -11.已被证明在特定领域非常有效。至于选择对称类型的原因，研究人员认为，无论卷积层如何，在提取功能时会有丢失信息。通过进一步的培训，即使是小损失也可能导致边界信息或纹理边缘中的缺陷。要弥补损失，它们根据特征图的大小将模型中的所有层分为两个阶段。朗等人。[9]首先使用完全卷积的网络（FCN）。他们建议，完全连接的层可以被卷积层所取代，并且可以通过“跳过连接”在阶段之间进行进一步的改进连接。尽管FCN具有不完整的对称性，但是跳过连接，其在编码阶段和解码阶段的层之间构建“桥梁”，为特征图提供了另一个源。基于这个想法，Ronneberger等。[8设计了一个u型网络。他们认为特征的扩张路径与收缩路径有关系，从而增加了特征通道的数量。然而，当我们设计一个新的网络时，参数的大小是一个非常重要的问题，因为对称网络比其他类型的网络需要更多的参数，这将给CPU和GPU的使用带来很大的挑战。几乎同时，Badrinarayanan等人[10.]采用了一种名为“unpooling”的新上采样方法，它在max-pooling时记录索引。利用这些索引，在解码阶段可以很容易地找到原始位置信息。在这种情况下，训练过程中需要的参数大大减少。

2.2。电流上采样方法

随着卷积网络的可视化[12.]，我们知道卷积计算可以有效地提取和泛化特征，这些特征的输出可以看作是一组特征。上采样操作的目的是提高低分辨率地图数据的分辨率，并将原始数据上采样到高分辨率地图，以弥补之前由于卷积操作而丢失的信息。

整个过程的难度在于如何从低分辨率映射和相应的颜色通道生成采样数据。

2.2.1。双线性插值

在早期深度学习研究中[7，13.[通常可以看到这种方法。与稍后引入的方法相比，双线性方法的最大优势是高速和简单的操作。从层的级别来看，在使用双线性插值时，不需要学习和调整权重，因为一个参数（参考最终图像的所需尺寸）足以用于整个操作。

例如，有四个已知的点值， ， ， ，和 ，函数的值可以在点上找到（ ）.

X方向:

Y方向(了):

通过上述过程，可以找到任意点的近似值 在函数区间内 ．

2.2.2。转置卷积

严格来说，转置卷积是一种卷积运算，而不是一种采样方法，但目前很多研究者为了弥补译码阶段的损失，将其作为首选。

从卷积运算的角度来看，每个卷积运算都可以表示为 ，在哪里和x分别表示权重矩阵和输入映射。

在反向传播期间，假设层的导数（表示训练时整个网络的损耗)已知，相应权值的导数可记为

方程(3.)表示的关系和 ．它表明转置卷积实际上是相乘或者在进行前向通行证和后向通行证时。

当采用转置卷积作为上采样方法时，情况与双线性插值完全不同。Dumoulin和Visin的研究[14.介绍了应用转置操作的四种不同的情况。

例如（图2)，对一个2 × 2输入进行转置卷积，得到一个3 × 3输出(stride = 1)等于卷积层( ，输入4 × 4;内核大小= 2)。最初的2 × 2地图是先用2 × 2的0边界填充，然后是增加的。

2.2.3。解除冰

目前各种层的组合提高了网络的效率，但同时也带来了一个严重的问题:参数。即使是单个卷积层也需要大量的权重参数，这给cpu或gpu带来了重大挑战。如章节所述2，转置卷积等于将相应卷积层的转置矩阵相乘，这意味着我们在训练时需要留出足够的内存来保存这些矩阵。

首先用于反卷积网络[15.]，解池操作要简单得多，也更容易使用。

数字3.显示反池操作的基本流程。上面所有的数字都对应于特性映射中的值。假设对于某些映射输入，unpooling方法在执行max-pooling(从输入⟶)之前记录最大值的索引一个）.在译码阶段，已接收到输出的b从以前的图层，使用池索引（由黑色网格表示），可以将内部的像素值上门覆盖到其原始位置（来自b⟶输出)。实际上，在处理max-pooling操作时，解池保持每个feature map中最大像素值的方向信息(“池索引”)。这个动作同时解决了“方向”和“填充”的问题。

与转置卷积相比，未脱井的优点在于参数的数量，这应该只记录汇集指数。

3.TGV Upsampling算法

受全变差模型的启发[16.，17.]，我们引入了另一种上采样方法“TGV上采样”。我们认为上采样方法是一种结合特征地图恢复和图像恢复知识的方法(目的是弥补信息的损失)。我们的方法的背景和细节描述如下。

3.1。问题转换

尽管自第一个卷积神经网络(CNN)被使用以来已经有好几年了[7]，内部架构仍然可以简单地结束。现在，大多数网络都可以被认为是卷积层和最大池层的组合，并且有很多研究研究[14.，18.- - - - - -21.来了解CNN是什么。许多之前的研究指出，“可以用一个卷积层来代替max-pooling，这种卷积层可以增加步幅，同时不会降低精度”[22.]。当然，我们可以把具有最大池化层和卷积层的网络组件看作是一组卷积计算，而不管其内部架构实际上是什么。

如前所述，在语义切分领域，研究者倾向于将整个过程分为编码和解码阶段，其中上采样步骤总是发生在解码阶段。很多研究者认为卷积运算中存在“路径”。从feature map的角度来看，编码和解码阶段分别是扩展路径和压缩路径;这两条路径多少是对称的。在这种情况下，我们将上采样视为编码阶段对应层特征映射的恢复任务。

例如,图1提供一般类对称网络的简单视图。将整个网络分为编码和解码两个阶段，这两个阶段的层分别表示为E_我和C_j分别为(我和j代表层的方向)。当我=j， 它的意思是E_输入=C_输出，我们认为输出C_j作为特征映射的结果恢复到E_输入．

如图所示4在一组卷积计算之后，编码阶段中的4×4特征映射变为2×2像素矩阵（该矩阵也是一层的输出）。使用投影操作，可以将该地图恢复到编码阶段中地图的原始大小（此临时结果由表示 ）.填充部分(指蓝色的重网格)显示为模糊(噪声)区域;剩下的工作是恢复工作。

将左右矩阵进行比较，得到基本损失函数如下: 在哪里代表我们上采样的结果表示2-norm。

3.2。基于TGV的上采样

TGV (23.]主要用于解决图像去噪和恢复等问题。但在本文中，我们将其改进为一种特征图的可训练上采样方法。我们将地图的分辨率提高到目标大小，然后对每个地图进行TGV。

考虑到低分辨率映射之间的大小差异，我们方法的第一步是投影。我们首先将双线性插值应用于获得初步结果，其与编码阶段中的映射相同。这些处理的地图将被视为嘈杂的区域（实际上指的是整个图像），这将在TGV恢复中进行处理。

自Bredies等人[23.提出了TGV模型，它已广泛用于图像恢复领域。TGV模型大大重建了模糊的数据或嘈杂的间接测量的图像。我们将整个上采样问题制定为凸优化模型[12.，24.- - - - - -26.]。我们模型的数学制定概述为 在哪里 表示图像保真度，参数λ用于重写以前的操作以计算全局优化，以及表示正则化项。

随着卷积网络的可视化[8]，我们知道卷积计算可以有效地提取和泛化特征，这些特征的输出可以看作是一组特征。为了更好地理解图像的语义，纹理和边界边缘的平滑对于特征地图尤为重要。

对于一个k-阶图像，传统的恢复方法倾向于固定有界变化的半形式，而TGV模型引入了ak-阶函数，融合了来自不同通道的信息，可以有效地保持纹理不连续。

给予A.k订单图片 ，我们将TGV模型表示如下:

让代表秩序的对称张量的空间k．通过平衡一阶导数到k大大缓解了成像时因包含不同灰度而导致的边界信息损失以及边缘和角点损失的问题。

但在本研究中，针对地形图，证明二阶TGV是足够的。我们将二阶模型表述为

对于给定的二阶方程u，TGV模型的最小值拍摄于所有复杂的矢量字段在有界域中。 表示对称导数。参数和用于平衡一阶导数和二阶导数。

最终的基于TGV的上采样模型被定义为损耗功能的组合（5）和TGV学期（6)，如式(7)：

同时，与[中使用的固定重量不同23.]，我们将TGV转化为一种可训练的方法，将权值a_1和a_2引入反向传播，寻找合适的平衡点。

3.3。优化方法

考虑到我们提出的上采样模型(公式(8））凸面而不是光滑，我们使用了原始双重方案[24.，25.，27.来解决这个问题。通过引入两个对偶变量，我们将上采样模型重新定义为凸凹鞍点问题米和n．公式(8)由

的可行集和定义如下:

最终的结果是通过迭代优化逐像素计算得到的。与和 ，步大小 ， 和 ， 被选中。迭代 ，更新的变量如下： 在哪里和表示集合上的欧几里德投影米和N,分别。它们可以通过逐点运算来计算:

在方程(11.)，代表放松参数。它可以通过使用预处理来通过迭代更新迭代[5]。因此，基于tgv的模型在处理二阶图像时可以获得全局最优上采样解。

4.评价

在本节中，我们对提出的基于tgv的上采样模型进行定量评价。我们从不同的角度将我们的模型与现有的上采样方法进行了比较。我们使用PASCAL VOC2012数据集(类分割)来研究详细的高级性能。在接下来的实验中，我们手动设置基于tgv的上采样模型的参数和(在我们的实验中，我们最初设置 ；他们都可以用迭代训练）。

我们在Pascal训练集中侦于TGV上采样算法中的原始网络（FCN，U-Net和SEGNET）及其修改版本（具有1464个图像）。

用于特征图的重建比较(图5- - - - - -7)，我们在一个PASCAL验证集(1449张图片)上评估了上述四种方法。我们在FCN、U-Net和SegNet中随机选取某一层的特征映射，并比较不同方法的上采样结果。

用于分割结果的总体比较(图8），我们使用了Pascal测试集（有1456张图片）。对于定量结果（具有1456个图像），我们采用了整体精度（OA），平均准确性（MACC），频率加权交叉口（FWIOU），以及联盟（MIOU）的均值交叉作为指标。

4.1。实验

以下4.4.1。中间特征图的重建

在这一阶段，我们将三个网络(FCN、U-Net、SegNet)中原始的上采样层全部替换为TGV上采样方法(见图)9，以FCN为例)。为了更好地比较结果，我们演示了TGV上采样在处理相同的输入(由以前的层产生的特征映射)等时的性能，替换了U-Net中的双线性操作和SegNet中的解池操作。

考虑到某些上采样方法在模型中使用时可能相乘，无论输入的大小和网络中出现了多少上采样操作，我们只选择了一次比较。图中的特征图5- - - - - -7是训练过程中每一层最具代表性的激活输出。

在数据5- - - - - -7(举例说明特性映射的比较)，所有的输入映射都来自编码阶段的某个层。我们发现TGV上采样在保存特征图纹理和边缘方面表现得更好。在图5，我们观察到，与转置卷积重建相比，TGV上采样几乎复制了输入图中出现的所有类(以不同颜色表示)。作为一种可训练的操作，置换操作按照“填充和提取”管道处理输入。抽样映射包含一些实际上包含在输入映射中的类，或者一个类可能被过滤，这种情况绝对存在。可以清楚地看到，在第二个和第三个输入子映射(图5)，转置操作并没有完全重现输入映射中出现的所有对象。即使忽略这些情况，也可以很容易地观察到，TGV上采样在纹理重构方面优于转置操作。

如图所示6，双线性插值从两者中恢复了过多的已知类的不必要信息x和y与TGV上采样重建的原理相比，对象的方向基于已知像素值的高阶发散。TGV模型的信息的来源更加合理，更复杂。TGV上采样的重建结果也比Bilinear插值更好。

最后，图7比较unpooling和TGV upsampling。由于在编码阶段执行池化操作时，unpooling只记录了最大激活的位置，很明显，unpooling的重构还没有完成，在纹理应该出现的地方有很多空白。一般来说，在可视化结果方面，解池操作的效率是这三种操作中最差的。

4.1.2。TGV Ups采样训练

在这个实验中，我们将整体分割结果与原始网络的分割结果进行了比较。

数字8以FCN (FCN-8s)、U-Net、SegNet和改进的基于TGV上采样网络(分别表示为FCN-TGV、U-Net-TGV和SegNet-TGV)的PASCAL VOC输出为例。与原始网络的粗特征图相比，我们的结果中的类(或对象)识别(指对象之间的间隔面积)更宝贵(见SegNet和SegNet- tgv)，并且大大缓解了地面真相中超过区域的情况(见FCN和FCN- tgv)。同时，它们很好地保持了边界的光滑性。最后，TGV上采样方法可以帮助模型更好地进行语义预测。

我们提出的算法和竞争对手的VOC测试集的定量结果如表所示1．我们观察到，在总体准确度、平均准确度、频率准确度或MIoU方面，所有指标都提高了约1.4-2.3%，与图中的可视化结果相对应10.．

数字10.- - - - - -12.说明应用新的上采样方法后的效果X和Y轴分别表示迭代和损失)。我们发现TGV上采样算法与原始方法相比，在降低损失方面有显著的效果。在固定批量的情况下，我们的新方法比原来的模型收敛更快。

4.1.3。训练过程中的损失函数

Pascal VOC VON VICATAE集合FCN，FCN-TGV，U-NET，U-NET-TGV，SEGNET和SEGNET-TGV的损耗功能在图中提供10.- - - - - -12.．

4.2。分析

在结束上述部分中引入的所有四项上采样操作之后，我们可以根据其不同的信息来源将它们分为两种类型。

4.2.1。准备备份(包括解池和转置卷积操作)

很多研究者认为，在重构feature map时，应该参考之前操作产生的中间结果(特别是编码阶段的层)，就好像是沿着“路径”处理图像一样。已知前方距离条件(即编码阶段对应的层数)，可以更好地“断言”以下道路条件(即feature map重构)。因此，在应用这些方法时，需要保存上一层的操作信息。例如，解除池操作实际上被视为索引存储。利用保存的参数，可以很好地重建地形图。

然而，在置换和反池操作中，处理的结果不可避免地会保留前一层产生的中间结果的一部分。在某些情况下，这对于保留可能在训练过程中被忽视的重要信息是有用的，但它也可能带来不必要的信息，从而成为一种干扰。

4.2.2。From-Itself(包括双线性插值和我们的TGV上采样操作)

与“备份”类别相比，用于弥补损失的信息源Bilinear插值和TGV上采样来自该方法的过程，而不是先前操作的结果。如相关工程所述，Bilinear操作内插x和y基于已知样本值的方向。TGV方法的信息源更为复杂。它开始从k- 已知像素值的交流发散（用于k订单图片)。它可以更好地保留纹理的边界信息，有效地避免了阶跃效应，同时提高了整个图像的平滑度。

从这些实验的结果，损失功能的数值结果和采样特征图的平滑度已经证明了TGV-Ups采样方法是对电流方法的巨大改进。

5。结论

本文介绍了一种基于图像复原研究的tgv上采样方法。我们将特征地图重建过程转化为一个损失优化问题。利用TGV正则化方法，根据各阶函数的发散度，重构出分段函数。在数值优化方面，我们采用了一种原始对偶算法，该算法可以有效地进行并行计算，并获得较高的帧率。我们将新方法应用于三个网络，并通过PASCAL VOC数据集对结果进行了评估。这些试验证明，TGV上采样方法可以极大地弥补地图失去的光滑度和边界信息。与FCN、U-Net和SegNet等网络中使用的原始方法相比，该方法在译码阶段的MIoU准确率平均提高了1.4-2.3%。观察实验中的训练过程，我们可以清楚地发现，TGV上采样方法在很大程度上弥补了其他操作(主要是各个卷积层)造成的信息损失。

该算法不局限于单层地图上采样。在未来，它将被扩展到以一种一致的方式有效地整合时间相干性来理解整个场景。相反，通过提出的“类恢复”方法，我们将进一步关注如何更好地理解无监督设置下的潜在语义。

数据可用性

用于支持本研究结果的代码尚未提供，因为提出的方法稍后将应用于涉及个人隐私的医疗项目。

的利益冲突

作者声明他们没有利益冲突。

致谢

本研究支持的研究项目来解决社会问题的韩国国家研究基金会(NRF)由科技部和ICT(没有。NRF2017M3C8A8091768)。

参考文献

1. L.-C。Chen, G. Papandreou, I. Kokkinos, K. Murphy, A. L. Yuille，“deepplab:基于深度卷积网络、atrous卷积和全连接crfs的语义图像分割，”IEEE模式分析与机器智能汇刊，第40卷，不。4, pp. 834-848, 2018。视图:出版商的网站|谷歌学术
2. Li X. Li, Z. Liu, P. Luo, C. C. Loy, and X. Tang， " Not all pixels are equal: difficult -aware semantic segmentation via deep layer cascade "， in计算机视觉与模式识别IEEE会议论文集2017年7月，美国犹他州盐湖城。视图:出版商的网站|谷歌学术
3. 赵晖，史建军，齐学军，王学军，“金字塔场景解析网络”，载于计算机视觉与模式识别IEEE会议论文集2017年7月，美国犹他州盐湖城。视图:出版商的网站|谷歌学术
4. F. Knoll, K. Bredies, T. Pock, R. Stollberger，“MRI的二阶总广义变异(TGV)，”医学磁共振，第65卷，不。2，页480-491,2011。视图:出版商的网站|谷歌学术
5. A. Chambolle和T. Pock，“凸问题的一阶原始-对偶算法及其在成像中的应用”，数学影像与视觉杂志，第40卷，不。1，页120-145,2011。视图:出版商的网站|谷歌学术
6. M. D. Zeiler, G. W. Taylor, R. Fergus，“用于中高级特征学习的自适应反卷积网络”，在IEEE计算机视觉国际会议论文集，第1卷，第2期。2、2011。视图:谷歌学术
7. A. Krizhevsky, I. Sutskever和G. E. Hinton，“深度卷积神经网络的图像网分类”，载于神经信息处理系统研究进展2012年12月，美国塔霍湖。视图:谷歌学术
8. O. Ronneberger, P. Fischer，和T. Brox，“U-net:卷积网络用于生物医学图像分割”医学图像计算与计算机辅助干预国际会议论文集2015年10月，德国慕尼黑施普林格，pp. 234-241。视图:出版商的网站|谷歌学术
9. J. Long，E. Shelhamer和T. Darrell，“用于语义细分的完全卷积网络”计算机视觉与模式识别IEEE会议论文集2015年6月，美国波士顿。视图:出版商的网站|谷歌学术
10. V. Badrinarayanan, a . Kendall, R. Cipolla，“Segnet:用于图像分割的深度卷积编码器-解码器架构，”IEEE模式分析与机器智能汇刊第39卷，没有。12，页2481-2495,2017。视图:出版商的网站|谷歌学术
11. H. Noh, S. Hong, and B. Han，“Learning deconvolution network for semantic segmentation”，载于IEEE计算机愿景国际会议的诉讼程序，圣地亚哥，智利，2015年12月。视图:谷歌学术
12. D. R. Martin, C. C. Fowlkes和J. Malik，“学习使用局部亮度、颜色和纹理线索检测自然图像边界，”IEEE模式分析与机器智能汇刊，卷。26，不。5，pp。530-549，2004。视图:出版商的网站|谷歌学术
13. K. Simonyan和A. Zisserman，“用于大规模图像识别的非常深的卷积网络”，2014年，https://arxiv.org/abs/1409.1556．视图:谷歌学术
14. V. Dumoulin和F. Visin，“深度学习算术指南”，2016年，https://arxiv.org/abs/1603.07285．视图:谷歌学术
15. M. D. Zeiler等，去卷积网络, 2010年。
16. c。r。沃格尔和m。e。阿曼。，“Fast total variation-based image reconstruction,” in1995年ASME设计工程会议的诉讼程序，第3卷，1995年9月，第2期。部分C。视图:谷歌学术
17. L. I. Rudin，S. Osher和E. Fatemi，“基于非线性总变化的噪声去除算法”，物理学D:非线性现象，第60卷，不。1-4页259-268,1992。视图:出版商的网站|谷歌学术
18. M. D. Zeiler和F. Rob，《卷积网络的可视化和理解》，摘自欧洲电脑愿景会议的诉讼程序，Springer，苏黎世，瑞士，2014年9月。视图:出版商的网站|谷歌学术
19. V. Papyan，Y. Romano和M. Elad，“通过卷积稀疏编码分析的卷积神经网络，”2016年，https://arxiv.org/abs/1607.08194．视图:谷歌学术
20. L.-B。乔,B.-F。张,js。苏,X.-C。Lu，“结构化稀疏学习的系统回顾”，信息技术与电子工程前沿，卷。18，不。4，第445-463,2017。视图:出版商的网站|谷歌学术
21. P. Wang，P. Chen，Y. Yuan等，“了解语义细分的卷积，”2018 IEEE计算机视觉应用冬季会议论文集(WACV)2018年3月，美国太浩湖，IEEE。视图:出版商的网站|谷歌学术
22. J.T. Springenberg等，“争取简约：全部卷积网络，”2014年，https://arxiv.org/abs/1412.6806．视图:谷歌学术
23. K. Bredies, K. Kunisch和T. Pock，“总广义变分，”SIAM成像科学杂志，第3卷，第4卷。3，页492-526,2010。视图:出版商的网站|谷歌学术
24. T. Pock和A. Chambolle，“凸优化第一阶原语对角线预处理，”2011计算机视觉国际会议论文集IEEE，西班牙巴塞罗那，2011年11月。视图:出版商的网站|谷歌学术
25. E. Esser, X. Zhang, and T. F. Chan，“成像科学中凸优化的一类一阶原对偶算法的一般框架，”SIAM成像科学杂志，第3卷，第4卷。4，第1015-1046页，2010。视图:出版商的网站|谷歌学术
26. D. Ferstl，C. inchbacher，R.Ranftl，M. Runether和H. Bischof，“使用各向异性总广义变异的图像引导深度上采样”IEEE计算机愿景国际会议的诉讼程序2013年12月，澳大利亚悉尼。视图:出版商的网站|谷歌学术
27. 何伟，张慧，张磊，沈慧，“基于全变分正则化的低秩矩阵分解的高光谱图像复原”IEEE地球科学与遥感汇刊第54卷，第2期。1，页178-188,2016。视图:出版商的网站|谷歌学术

版权

版权所有©2019徐寅等。这是一篇开放获取的文章知识共享署名许可，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。