Total variation loss/total variation regularization/Total variation denoising

  參考資料：https://en.wikipedia.org/wiki/Total_variation_denoising
  總變差有點像衡量一個函式變化程度的函式。BV模型一定程度上是L1影象模型。
  用在影象上，total variation loss可以使影象變得平滑" "訊號處理中，總變差去噪，也稱為總變差正則化，是最常用於數字影象處理的過程，其在噪聲去除中具有應用。
  它基於這樣的原理：具有過多和可能是虛假細節的訊號具有高的總變化，即，訊號的絕對梯度的積分是高的。根據該原理，減小訊號的總變化，使其與原始訊號緊密匹配，去除不需要的細節，同時保留諸如邊緣的重要細節。該概念由Rudin，Osher和Fatemi於1992年開創，因此被稱為ROF模型。
  這種噪聲消除技術優於簡單的技術，例如線性平滑或中值濾波，這些技術可以降低噪聲，但同時可以更大或更小程度地消除邊緣。相比之下，即使在低信噪比下，總變差去噪在同時保留邊緣同時平滑掉平坦區域中的噪聲方面也非常有效。

一些解釋

  首先是數學上的，實際上，在數學上更容易掌握的是L2影象模型。假設噪聲（這裡僅以去噪為例）為高斯噪聲，則使用L2影象模型將匯出33的模板卷積，相當於33模板的高斯低通濾波。這種卷積操作在數學上也稱為磨光，也就是說，通過卷積得到的函式被磨光了——所謂光滑意味著無窮可微性。這實際上與自然影象有相當的距離，自然影象應該不是光滑的。BV模型正式為了解決這個問題。或者說，BV模型的產生不是為了光滑，而是為了解決過於光滑的問題——顯然的，正如絕對值函式一樣，它容許一些點的不可導性，或者說不光滑的點的存在。
  BV模型使得影象是分段（片）光滑的，而不是無窮可微（光滑）的。正是由於不可導點的容許性，從而BV模型比L2影象模型更接近自然影象，比如對影象邊的保持。回到Lp空間，BV模型一定程度上是L1影象模型。