Sayantan Dutta, Adrian Basarab, Bertrand Georgeot, Denis Kouame, CoMputational imagINg anD viSion (IRIT-MINDS), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Information et Chaos Quantiques (LPT), Laboratoire de Physique Théorique (LPT), Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Fédération de recherche « Matière et interactions » (FeRMI), Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Toulouse (INSA Toulouse), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS)-Université Toulouse III - Paul Sabatier (UT3), Institut National des Sciences Appliquées (INSA)-Université de Toulouse (UT)-Institut National des Sciences Appliquées (INSA)-Centre National de la Recherche Scientifique (CNRS), Imagerie Ultrasonore, Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé (CREATIS), Université Claude Bernard Lyon 1 (UCBL), Université de Lyon-Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Jean Monnet - Saint-Étienne (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-Université Claude Bernard Lyon 1 (UCBL), and Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Jean Monnet - Saint-Étienne (UJM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)
International audience; In this paper, we propose a blueprint of a new deep network unfolding a baseline quantum mechanics-based adaptive denoising scheme (De-QuIP). Relying on the theory of quantum many-body physics, the De-QuIP architecture incorporates local patch similarity measures through a term akin to interaction in quantum physics. Our proposed deep network embeds both quantum interactions and other quantum concepts, mainly the Hamiltonian operator. The integration of these quantum tools brings a nonlocal structure to the proposed deep network that harnesses the power of the convolutional layers to enhance the adaptability of the model. Thus, recasting De-QuIP in the framework of a deep learning network while preserving the essence of the baseline structure is the main contribution of this work. Experiments conducted on the Gaussian denoising problem, chosen here for illustration purpose, over a large sample set demonstrate start-of-the-art performance of the proposed deep network, dubbed as Deep-De-QuIP hereafter. Based on the properties of De-QuIP, its intrinsic adaptive structure, Deep-De-QuIP network could be easily extended to other noise models.