Pseudoinverse 学习算法的一种衣服

May, 2018

A VEST of the Pseudoinverse Learning Algorithm

Ping Guo

TL;DR本文介绍了伪逆学习算法和其变种，以及对神经网络学习任务实践中的若干常见问题的讨论和解决。作者还指出，在单隐藏层前馈神经网络中，所谓的极限学习机是采用了可能出于简化目的得到的伪逆学习算法的一个变体。

Abstract

In this paper, we briefly review the basic scheme of the pseudoinverse learning (PIL) algorithm and present some discussions on the PIL, as well as its variants. The PIL algorithm, first presented in 1995, is a non-gradient descent and non-iterative learning algorithm for multi-layer neural n

pseudoinverse learning neural networks gradient descent extreme learning machine feedforward neural networks

发现论文，激发创造

变分和机器学习逆问题方法的稳健性和探索性研究综述

本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性，并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外，还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。

Feb, 2024

深度学习方法解决线性反问题：研究方向和范式

本文综述了近年来深度学习在解决线性反问题方面的最新进展，包括其在不同领域中的应用、结构化神经网络的设计以及面临的挑战和未来方向。

Jul, 2020

深入探究反向组合算法

该论文提出了一种现代化的密集图像对齐算法 —— 反向组合算法，通过结合数据驱动的先验知识，采用一种鲁棒的方式优化了来自多个元件的算法，并在多个 3D 刚性运动估计任务中取得了较好的表现。

Dec, 2018

DeeSIL: 深层 - 浅层增量学习

介绍了一种名为 DeeSIL 的增量学习算法，它采用深度表示的特征提取器和独立的浅层分类器来增加识别容量，可以应对有限内存和新类别增加的挑战，并在 ImageNet LSVRC 2012 数据集上取得了比现有算法更好的性能。

Aug, 2018

通过在线学习实现广义逆优化

该论文提出了一种面向在线学习的反向优化算法框架，设计了一种隐式更新算法用于处理噪声数据，并证明其具有统计一致性。实验表明，该算法具有很高的精度和鲁棒性，并且在计算效率上比批量学习更具优势。

Oct, 2018

深度学习与反问题

这篇论文主要研究了机器学习和深度学习在逆问题中的应用，特别关注了神经网络和卷积神经网络的使用。

Sep, 2023

成像中逆问题的深度学习技术

探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

May, 2020

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

逆问题的深度分解学习

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

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