May, 2017

即插即用式不需优化的基于一致性平衡的重建方法

PDF
TL;DRConsensus Equilibrium provides a new framework to fuse a variety of physical sensor models and denoising algorithms without expressing them with a cost function, replacing MAP estimation with solving a set of equilibrium equations that balance data fit and regularity.
inversion methodsplug-and-play priorconsensus equilibriumphysical sensor modelsdenoising algorithms
发现论文，激发创造
  • 反问题的平衡方法的收敛分析

    本文研究基于深度平衡方法的成像和其他逆问题求解方法中的正则化问题，通过提供稳定性和收敛性结果及对称 Bregman 距离的收敛率和稳定性估计来解决这一问题，并使用此分析来设计一种新的损失函数及证明解的性能下界。

    Jun, 2023

  • 使用受限奇异值条件的即插即用先验恢复分析

    我们提出了一种基于深度神经网络的方法来建立 PnP/RED 的理论恢复保证，并展示了使用预先训练的去伪影网络进行压缩感知的 PnP 相比最新的生成式模型的压缩感知算法具有更好的恢复性能。

    Jun, 2021

  • 等变的即插即用图像重建

    通过强制使去噪器对特定变换群（旋转、反射和 / 或平移）保持等变性，本研究展示了在插拔式算法中如何提高算法的稳定性和重建质量，并通过理论分析说明了等变性在性能和稳定性上的作用。我们提出了一种简单的算法，通过在算法的每次迭代中对去噪器的输入应用一个随机变换，并对输出应用逆变换，从而使任何现有的去噪器保持等变性。多种成像模式和去噪网络的实验表明，与非等变性的对照算法相比，等变插拔式算法能够提高重建性能和稳定性。

    Dec, 2023

  • 具有收敛性和稳健性保证的存储效率模型的深度学习

    介绍一种记忆效率高、具有计算成像和深度学习特性的算法，该算法利用了先前压缩感知算法提供的独特性、收敛性和稳定性特点，使用循环梯度下降和共轭梯度算法交替应用以实现数据一致性，同时模拟了单调卷积神经网络的得分函数，保证了输出唯一性和收敛性，而且提出的深度平衡公式比现有算法更省内存，能够处理现有算法无法处理的三维或 2D + 时间问题。

    Jun, 2022

  • 逆问题中的收敛正则化与线性即插即用去噪器

    插拔式去噪是一种利用现成的图像去噪器解决成像反问题的流行迭代框架。本文提供了关于经典正则化理论的概述，并调查了几种新近的数据驱动方法作为可以被证明收敛的正则化方案。同时，本文还讨论了插拔式算法和其已确立的收敛保证。进一步地，在线性去噪器的基础上，提出了一种新颖的谱滤波技术来控制由去噪器引起的正则化强度，并通过将去噪器的隐式正则化与显式正则化功能关联起来，严格证明了插拔式与线性去噪器的收敛正则化方案。这个理论分析得到了在层析成像的经典反问题中的数值实验的验证。

    Jul, 2023

  • 基于 Plug & Play 先验的贝叶斯成像：当 Langevin 遇到 Tweedie

    本文介绍了两种算法：PnP-ULA（未调整的 Langevin 算法）和 PnP-SGD（随机梯度下降）, 用于进行具有 Plug & Play 先验的贝叶斯推断，其中深度神经网络去噪算子特别值得注意，同时针对图像去模糊、修复和去噪等标准问题，这些算法可用于点估计和不确定性可视化和量化。

    Mar, 2021

  • 一个用于正则化图像重建的在线即插即用算法

    本文介绍了一种基于迭代收缩 / 阈值算法 (ISTA) 的在线 plug-and-play priors (PnP) 算法，并提出了一种新的收敛性分析方法，以证明该算法适用于大型数据集。该算法可用于图像重建，具有潜在的应用拓展性。

    Sep, 2018

  • 低分辨率先验平衡网络用于 CT 重建

    使用低分辨率图像提供的有效正则化项，通过算法展开构建深度平衡架构的骨干网络的深度学习 CT 重建模型优于其他最先进方法，改善了噪声减少、对比度噪声比和边缘细节保留等方面。

    Jan, 2024

  • 基于随机去噪正则化的即插即用图像恢复

    插拔式（PnP）算法是一类迭代算法，通过结合物理模型和深度神经网络进行正规化，解决图像逆问题。我们提出了一个新的 PnP 框架，称为随机去噪正则化（SNORE），它只在恰当程度上含有噪声的图像上应用去噪算法，并基于明确的随机正则化得出了解决病态逆问题的随机梯度下降算法。对该算法及其退火扩展进行了收敛性分析。实验证明，SNORE 在去模糊和修补任务上与最先进的方法在定量和定性上都具有竞争力。

    Feb, 2024

  • 迭代去噪和背向投影图像恢复

    本研究提出了一种利用现成去噪器方法解决反问题的替代方法，该方法需要较少的参数调整，通过自动调整参数，可以应对图像去模糊和修复等任务，并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。

    Oct, 2017