Jun, 2018

使用深度图像先验和学习正则化的压缩感知技术

PDF
TL;DR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。
compressed sensingdeep generative modelslinear inverse problemslearned regularization techniquesingle-layer networks
发现论文，激发创造
  • 深度图像先验分析与图像重建中的自引导利用

    通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

    Feb, 2024

  • DeepRED: 基于 RED 提供动力的深度图像先验

    该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

    Mar, 2019

  • 通过架构正则化：一种逆问题的深度先验方法

    本文研究了在不适定逆问题上应用的所谓深度图像先验（DIP）技术，介绍了将这些方法视为 Tikhonov 函数的优化而不是网络优化的方法。通过理论结果和数值验证，证明了这种方法的可行性。

    Dec, 2018

  • 从未有先验与无真实图像的未采样测量中训练深度学习图像去噪器

    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

  • 基于全变差正则化深度图像先验的图像恢复

    本研究探索将传统的稀疏型正则化与深度图像先验（DIP）框架相结合，通过使用卷积神经网络（CNN）架构和传统的总变差（TV）正则化方法，证明了在图像去噪和去模糊等传统恢复任务中，引入 TV 会带来相当大的性能提升。

    Oct, 2018

  • SDIP：自强化深度图像先验框架用于图像处理

    本文提出了自我强化深度图像先验（SDIP）作为原来深度图像先验（DIP）的改进版本，并证明了在多个应用领域中，SDIP 框架相较于原始 DIP 方法和其他先进方法具有改善。

    Apr, 2024

  • 未经训练的神经网络压缩感知：梯度下降找到最平滑的逼近

    通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性，在没有任何正则化的情况下，可以从少数的随机测量中大致重建具有足够结构的信号和图像。

    May, 2020

  • 无预训练网络先验的反演成像的算法保证

    本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题，包括压缩感知和相位恢复，并提出了基于梯度下降的算法以及证明了其收敛性。同时，本文还展示了相比于手工制作的先验条件，使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。

    Jun, 2019

  • 基于随机生成先验知识的可证收敛压缩感知方案

    本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

    Dec, 2018

  • 无监督动态磁共振成像重建的图像先验

    通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

    Mar, 2024