In image processing, it is well known that mean square error criteria is perceptually inadequate. Consequently, image quality assessment (IQA) has emerged as a new branch to overcome this issue, and this has led to the discovery of one of the most popular perceptual measures, namely, the structural similarity index (SSIM). This measure is mathematically simple, yet powerful enough to express the quality of an image. Therefore, it is natural to deploy SSIM in model based applications, such as denoising, restoration, classification, etc. However, the non-convex nature of this measure makes this task difficult. Our attempt in this work is to discuss problems associated with its convex program and take remedial action in the process of obtaining a generalized convex framework. The obtained framework has been seen as a component of an alternative learning scheme for the case of a regularized linear model. Subsequently, we develop a relevant dictionary learning module as a part of alternative learning. This alternative learning scheme with sparsity prior is finally used in denoising and deblurring applications. To further boost the performance, an iterative scheme is developed based on the statistical nature of added noise. Experiments on image denoising and deblurring validate the effectiveness of the proposed scheme. Furthermore, it has been shown that the proposed framework achieves highly competitive performance with respect to other schemes in literature and performs better in natural images in terms of SSIM and visual inspection.

中文翻译：

---

具有降噪和去模糊应用程序的符合SSIM的建模框架

在图像处理中，众所周知，均方误差标准在感知上是不充分的。因此，图像质量评估（IQA）已成为克服此问题的新分支，这导致发现了最流行的感知指标之一，即结构相似性指数（SSIM）。该度量在数学上很简单，但功能足以表示图像的质量。因此，在基于模型的应用程序中（例如去噪，恢复，分类等）部署SSIM是很自然的。但是，这种方法的非凸性使此任务变得困难。我们在这项工作中的尝试是讨论与其凸程序有关的问题，并在获得广义凸框架的过程中采取补救措施。对于正则化线性模型，所获得的框架已被视为替代学习方案的组成部分。随后，我们开发了相关的字典学习模块作为替代学习的一部分。这种具有先验稀疏性的替代学习方案最终用于去噪和去模糊应用。为了进一步提高性能，基于添加噪声的统计性质，开发了一种迭代方案。图像去噪和去模糊实验验证了该方案的有效性。此外，已经表明，相对于文献中的其他方案，所提出的框架实现了高度竞争的性能，并且在SSIM和视觉检查方面在自然图像中表现更好。我们开发了相关的字典学习模块作为替代学习的一部分。这种具有先验稀疏性的替代学习方案最终用于去噪和去模糊应用。为了进一步提高性能，基于添加噪声的统计性质，开发了一种迭代方案。图像去噪和去模糊实验验证了该方案的有效性。此外，已经表明，相对于文献中的其他方案，所提出的框架实现了高度竞争的性能，并且在SSIM和视觉检查方面在自然图像中表现更好。我们开发了相关的字典学习模块作为替代学习的一部分。这种具有先验稀疏性的替代学习方案最终用于去噪和去模糊应用。为了进一步提高性能，基于添加噪声的统计性质，开发了一种迭代方案。图像去噪和去模糊实验验证了该方案的有效性。此外，已经表明，相对于文献中的其他方案，所提出的框架实现了高度竞争的性能，并且在SSIM和视觉检查方面在自然图像中表现更好。基于增加的噪声的统计性质，开发了一种迭代方案。图像去噪和去模糊实验验证了该方案的有效性。此外，已经表明，相对于文献中的其他方案，所提出的框架实现了高度竞争的性能，并且在SSIM和视觉检查方面在自然图像中表现更好。基于增加的噪声的统计性质，开发了一种迭代方案。图像去噪和去模糊实验验证了该方案的有效性。此外，已经表明，相对于文献中的其他方案，所提出的框架实现了高度竞争的性能，并且在SSIM和视觉检查方面在自然图像中表现更好。