GGP和iUFO震撼出廠！趁熱來一口？
先上硬菜， 論文 ！
這篇文章做了什麼事情呢？
- 針對影象處理中的病態問題，這篇文章提出了一個新的正則項（generic geometric prior，GGP）。這個GGP比較強大，因為它是之前所有正則項的超集！包含了分段常值、分段線性、分段可展曲面、分段極小曲面等多種幾何先驗。這也是它為什麼叫GGP的原因。
這個GGP具體是什麼呢？ 它就是之前各種正則項的乘積！ 假設輸入影象是 ，梯度影象是 
，平均曲率是 
，高斯曲率是 
，那麼GGP就是 ：
它對應的正則項就是 
Line"/>
為什麼要這麼做呢？ 因為只要這麼多幾何先驗中的一個為零，G就為零。 這就解釋了為什麼它是所有傳統正則項的超集。
另外，它可以在同一幅影象中的不同區域引入不同的幾何先驗。如上圖所示，在平坦區域，整體變分TV為零，所以G為零。在光滑區域，平均曲率為零，所以G為零。從而，G可以自適應地根據影象選取合適的幾何先驗。這就是GGP比較強大的地方。
- GGP看起來不錯，但是這一項也太難優化了吧？這怎麼對 求導啊？光計算這一項似乎就很複雜，更別說求導了。
這篇論文也考慮到了這一點， 所以有針對性的提出了iUFO濾波演算法 。該演算法通過16個簡單的3X3濾波來優化GGP！是不是很震驚？？？再看看上面GGP那麼複雜的計算公式，這似乎很難讓人相信僅僅通過濾波就可以實現優化。但是你如果聽說過 ofollow,noindex" target="_blank">曲率濾波 （論文在 這裡 ），那個針對GGP的優化就變得不難理解了。
進一步，我們的濾波演算法可以表示為一個深度卷積網路結構，可以用深度學習的方法來進行訓練。具體的結果可以看 論文 。
效果好不好，不看廣告，看療效！
最左邊是原圖，中間是iUFO迭代10次的結果，右邊是iUFO迭代200次的結果。
大家可以觀察相機、人臉、草地、背景建築物等區域都發生了哪些變化。感覺有點像找不同的遊戲，哈哈
@ARTICLE{gong:iufo,
author={Y. Gong and X. Hou and F. Li and G. Qiu},
journal={IEEE Access},
title={Image Filtering with Generic Geometric Prior},
year={2018},
volume={},
number={},
pages={1-1},
keywords={Smoothing methods;TV;Neural networks;Image edge detection;Kernel;Microsoft Windows;filter;half window;prior;regularization;smoothing},
doi={10.1109/ACCESS.2018.2871829},
ISSN={2169-3536},
month={},}