非常好的TV最小化（正则化）算法，值得借鉴

利用L1范数TV正则化对影像进行超分辨率重建

使用 Total Vairation 正则化进行图像去模糊。

这些文件实现了用于总变异去噪的拆分 Bregman 方法。 它解决了优化问题： u = arg min_u 1/2||ug||_2^2 + mu*TV(u) 其中 g 是噪声图像，mu 是正则化参数，u 是去噪图像。 TV(u) 是各向异性或各向同性的总变差。 参考： * Goldstein 和 Osher，L1 正则化问题的分裂 Bregman 方法SIAM 影像科学杂志 2(2) 2009 *Micchelli 等人，图像模型的邻近算法：去噪逆问题 27(4) 2011

Structure Extraction from Texture via Relative Total Variation 论文，代码，测试图像和ppt

傅里叶反变换matlab代码分裂布雷格曼总变异雅各布矩阵 该存储库包含演示，演示了如何使用Split Bregman公式解决2D和3D约束的Total Variaton图像重建问题。 TV_SB_2D.m和TV_SB_3D.m解决了受约束的总变化问题 其中A是将图像u投影到数据f的线性算子（矩阵）。 该代码适用于一般的线性逆问题。 目前，它期望A为矩阵。 通过更改用于计算正向和伴随运算的函数的A和A'，可以轻松地对其进行修改以将A用作MATLAB函数。 这些示例解决了磁共振成像的压缩感测问题。 A是作为矩阵算子提供的傅立叶变换，f是欠采样数据，u是2D图像。 该存储库包含以下文件： Demo_TV_SB_2D.m：用于2D电视重建的演示 Demo_TV_SB_3D.m：用于3D电视重建的演示 TV_SB_2D.m： 2D电视重建 TV_SB_3D.m： 3D电视重建 如果使用此代码，请引用以下论文：Abascal JF，Chamorro-Servent J，Aguirre J，Arridge S，Correia T，Ripoll J，Vaquero JJ，DescoM。 医学物理学。

程序算法来自2009有关反问题的文章《A fast algorithm for the total variation model of image denoising》

TV正则化对图像去噪。 matlab代码，导入图片直接可以运行。TV正则化对图像去噪。 matlab代码，导入图片直接可以运行

% u = TVDENOISE(f,lambda) denoises the input image f. The smaller % the parameter lambda, the stronger the denoising. % % The output u approximately minimizes the Rudin-Osher-Fatemi (ROF) % denoising model % % Min TV(u) + lambda/2 || f - u ||^2_2, % u % % where TV(u) is the total variation of u. If f is a color image (or any % array where size(f,3) > 1), the vectorial TV model is used, % % Min VTV(u) + lambda/2 || f - u ||^2_2. % u % % TVDENOISE(...,Tol) specifies the stopping tolerance (default 1e-2). % % The minimization is solved using Chambolle's method, % A. Chambolle, "An Algorithm for Total Variation Minimization and % Applications," J. Math. Imaging and Vision 20 (1-2): 89-97, 2004. % When f is a color image, the minimization is solved by a generalization % of Chambolle's method, % X. Bresson and T.F. Chan, "Fast Minimization of the Vectorial Total % Variation Norm and Applications to Color Image Processing", UCLA CAM % Report 07-25. % % Example: % f = double(imread('barbara-color.png'))/255; % f = f + randn(size(f))*16/255; % u = tvdenoise(f,12); % subplot(1,2,1); imshow(f); title Input % subplot(1,2,2); imshow(u); title Denoised % Pascal Getreuer 2007-2008

参考了：https://github.com/jxgu1016/Total_Variation_Loss.pytorch 在此基础上增加了Conv操作版的。