Apr, 2017

学习邻近算子：使用降噪网络来规则化逆成像问题

PDF
TL;DR本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算，使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中，通过使用固定的去噪神经网络，本文取得了最先进的重建效果，并且该方法具有很高的通用性和较少的问题特定训练需求。
发现论文，激发创造
  • 逆问题中的对抗正则化器

    该论文提出了一种新的框架，利用神经网络作为正则化函数，将数据驱动方法应用于逆问题解决，该算法可以在没有监督训练数据的情况下应用于逆问题，并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。

    May, 2018

  • 基于深度学习算子求解成像反问题中的歧义性

    本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

    May, 2023

  • 全局深度变分：反问题的稳定正则化器

    介绍了一种新的数据驱动的总变分正则化器，将反问题的变分公式与深度学习相结合，使用卷积神经网络提取多尺度和连续块中的局部特征， 实现了全局优化控制和相对于正则化器的参数和初值的稳定性分析，并在众多成像任务上实现了最先进的结果。

    Jun, 2020

  • 图像恢复的近端内点方法的深度展开

    通过深度展开法，结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率，成功实现了图像恢复，结果远优于传统方法。

    Dec, 2018

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。

    May, 2018

  • PNN：从近端算法到鲁棒展开图像去噪网络和即插即用方法

    在这篇文章中，我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络（PNNs），该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。我们为 PNN 框架提供了不同的学习策略，并研究了它们的鲁棒性（利普希茨性质）和降噪效率。最后，我们评估了将我们的 PNNs 插入图像去模糊问题的前向 - 后向算法时的鲁棒性。

    Aug, 2023

  • 使用迭代深度神经网络解决不适定的反问题

    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

  • 使用降噪器中隐式的先验信息解决线性反问题

    本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

    Jul, 2020

  • 用于图像去噪的深度正则化压缩学习的无批次随机梯度下降

    基于最大后验贝叶斯框架和深度神经网络，本文提出了两种随机梯度下降算法用于从大规模训练数据库中恢复深度正则化参数，以提高去噪效果。

    Oct, 2023

  • 一种网络解决所有问题 —— 使用深度投影模型解决线性反问题

    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