基于 Onsager 修正的深度学习在稀疏线性反问题中的应用
本文提出两种基于神经网络的新型架构,通过 Onsager 校正来解决稀疏线性反演问题, 并应用于 5G 无线通信领域的两个问题,分别是压缩式随机接入和大规模 MIMO 信道估计。
Dec, 2016
该论文提出一种基于深度学习的动态网络深度算法,通过在每一层引入终止得分,学习了解每个任务需要执行几层以获得最佳输出,并在稀疏信号恢复和通信信道估计方面表现出更高效和更好的性能。
Oct, 2020
通过借鉴稀疏信号恢复算法的思想并结合神经网络,提出了一种名为 LDAMP 的新网络结构,有效应用于各种测量矩阵中,并在图像恢复的准确性和运行时间方面优于现有算法。
Apr, 2017
本文提出了一种通用框架来训练单个深度神经网络,以解决任意线性反问题,通过提供一个接近算子来实现这一目的,并在压缩感知和像素插值等任务中显示出优越的性能。
Mar, 2017
本文提出了一种部分学习方法,用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展,通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习,其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明,与 FBP 和 TV 重建相比,所提出的方法在保证速度的同时,能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。
Apr, 2017
本文旨在探讨科学机器学习中的一个基本问题,即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描(CT)问题,并且通过迭代的端到端网络方案以及数据驱动的校准步骤,展示了该方案能够使 CT 重建达到数值精度,与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。
Jun, 2022
提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法,该方法具有较高的可解释性、易于训练,适合于在医学中的应用,具有 MRI 成像参数估计等方面的应用潜力。
Jul, 2021
本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法,用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像,不需要原始图像,也不需要手动设置的图像先验条件,并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。
Jun, 2018
通过未经训练的深度生成模型提出一种新方法,解决压缩感知恢复问题,具有比以前的方法更好的性能,并且不需要大规模数据集的预训练。同时,结合了关于网络权重的先验知识的新型学习正则技术,减少了重建误差。最后,通过 DIP 优化方法,证明了适度超参数的单层神经网络可以完美拟合任何信号,这一理论结果为提前停止提供了依据。
Jun, 2018