Régularisation par modèles pseudo-génératifs pour la restauration d'images

Overview & Synopsis

Cet article s'intéresse aux méthodes de restauration d'images formulées comme des problèmes inverses, dans lesquelles le choix de la régularisation a un impact considérable sur les performances. Les méthodes de régularisation basées sur un réseau de neurones génératif, récemment introduites dans la littérature, se montrent très efficaces mais s'avèrent fortement dépendantes de la qualité du réseau utilisé. Cet article propose d'utiliser un autoencodeur variationnel moins contraint, et d'inférer dans un second temps la distribution des données dans l'espace latent. Les simulations sur les bases de données MNIST et CelebA, pour différents problèmes inverses de difficulté variée, permettent de conclure à un gain en terme de qualité d'image.Abstract -This paper considers image restoration seen as an inverse problem, for which the regularization has a considerable impact on the performance. Regularization methods based on a generative neural network, recently introduced in the literature, are interesting but prove to be highly dependent on the generative network. This paper proposes to use a generative autoencoder that is less constrained in the latent space. A second step infers the latent distribution learned by the encoder after the training, which is used afterwards as a regularization. The simulations on the MNIST and CelebA datasets for various inverse problems show a gain in terms of image quality.