深度卷积框架:逆问题的通用深度学习框架
该研究论文提出了一种图像表示方案,其中等价于使用局部和非局部 patches 刻画构建紧密的帧图像,并称其为卷积 framelets。分析该表示方案得出了高性能的 patch-based image inpainting 算法的新解释,并提出了对其的改进。此外,还建立了卷积 framelet 系数的能量集中性质,为一些成像处理算法提供了自然的框架。
Jun, 2016
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
本文提出了一种基于框架变换的组装图神经网络的新方法,该方法将输入图分解成低通和高通频率系数用于网络训练,定义了一种基于框架的图卷积。使用此方法,图神经网络在节点和图预测任务中取得了最先进的性能,并且我们提出使用收缩作为框架卷积的新激活函数,与 ReLU 相比,收缩激活函数能够在降噪和信号压缩方面显著提高模型的性能。
Feb, 2021
该研究提出了一种基于卷积神经网络的模型重建框架,实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题,并在重构图像方面取得了显著成果。
Dec, 2017
本文提出了一种新颖的多尺度框架卷积设计用于谱图神经网络,该方法集成了直接设计在谱域中的过滤函数以提高对嘈杂图信号的鲁棒性,有效地减轻了嘈杂信号的负面影响,并利用异构图神经网络和多级图分析,嵌入了元路径上的拓扑信息。在现实世界的异构图和同构图中的实验表明,该方法取得了优越的性能。
Jan, 2022
这篇文章通过将信号处理的基本原理与深度学习领域相连接,在统一的理论框架下,建立了对深度卷积框图的直观理解,解释了多样的编码 - 解码卷积神经网络架构,并提供了设计稳健高效的新颖卷积神经网络架构的重要指导。
Jul, 2023
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
使用深度卷积神经网络,结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题,实验证明,在稀疏采样下,该方法能在不到一秒的时间内重建 512 x 512 的图像,取得了比迭代正则化平滑重建更好的效果。
Nov, 2016
本文通过允许不同并且通用的半离散框架在不同的网络层中,进一步发展 Mallat 的理论,证明了广泛类别的特征提取器的平移不变性,并为比 Mallat 考虑的更大类别的变形稳定结果发展了结果。
Apr, 2015
本文提出了一种基于波浪变换、线性非线性映射、平移不变性和形变稳定性的特征提取器,可以适用于不同的网络层,并且在网络深度增加时特征越来越具有平移不变性;同时,本文还建立了对带限函数、卡通函数和 Lipschitz 函数等信号类应用的变形敏感度边界。
Dec, 2015