37、总变分与正则化的高效算法

总变分与正则化的高效算法

1. 与连续模型的关系

在总变分方法中，记录的图像由将每个像素映射到其标签（颜色）的函数表示。假设 $u_0$ 可以分解为 $u_0 = u + v$，其中 $u$ 包含具有明显边缘的均匀区域，$v$ 包含额外的纹理和噪声。总变分方法的目标是通过最小化以下泛函来找到 $u$：
[
\int_{\Omega} |\nabla u|dxdy + \alpha ||u - u_0||
]
这个泛函定义在平面上，其中 $(x, y)$ 表示图像中每个像素的位置。

虽然不是立即明显，但这个问题与马尔可夫随机场（MRF）问题之间存在联系：$|\nabla u|$ 项捕捉了每个像素与其邻域之间的差异。邻域可以设置为任何所需的集合，不限于常用的网格邻域。因此，这个梯度项就是分离项。第二项 $\alpha ||u - u_0||$ 是映射函数 $u$ 与记录图像 $u_0$ 的偏差。

总变分问题通过连续技术解决。一种方法是求解相关的欧拉 - 拉格朗日方程：
[
u = u_0 + \frac{1}{2\alpha} \nabla \cdot \left(\frac{\nabla u}{||\nabla u||}\right)
]
与 MRF 不同，这种方法不能保证提供最优解，并且其复杂度不确定。对于这个问题，MRF 可以在多项式时间内提供最优解。

在更一般的设置中，总变分正则化问题（TVR）中，图像表示为 $s(x)$，这是一个定义在开子集 $\Omega$ 上的给定函数，$f(x)$ 是其正则化版本，对于图像来说，这被称为 $s$ 的去噪。

我们定义两