本文综述了算法展开在信号与图像处理中的应用,特别是在深度神经网络中实现了可解释的网络结构,为未来的发展提供了可能性,并探讨了未来的研究方向。
Dec, 2019
深度神经网络在图像去模糊领域取得了重大突破,本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集,并讨论了该领域的当前挑战和研究空白,提出了未来研究的潜在方向。
Oct, 2023
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
我们描述了一种基于学习的盲图片去卷积的方法,该方法使用了深层次架构,部分来源于最近关于神经网络学习的工作,部分则包含了特定于图片去卷积的计算。该系统在一组人工生成的训练样例上进行端到端的训练,实现了在盲图片去卷积方面的竞争性表现,无论是在质量还是运行时间方面。
Jun, 2014
本文提出了一种基于神经网络模型的多帧盲反卷积新方法,通过采用两种最近的图像去模糊技术并结合成单个神经网络结构的鉴别方法来进行图像去模糊,该混合架构结合了卷积核的显式预测和频域 Fourier 系数的非平凡平均值,为了充分利用爆发中所有图像中包含的信息,该网络嵌入较小的网络,可以在早期层中显式地允许模型在图像间传递信息,并使用一组人工生成的培训示例来进行端对端的训练,实现了多帧盲反卷积的竞争性能,既具有质量又具有运行时间。
Jul, 2016
本文提出了一种基于算法展开的机器学习加速图像恢复方法,利用小型神经网络对优化方法进行辅助,其结果表明相较于标准优化程序,该方法和使用机器学习的盲反卷积技术可以大幅缩短恢复时间,且在多个数据集上表现出良好的泛化能力并可无监督训练。
Jun, 2023
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
研究了一种使用神经网络进行盲运动去模糊的新方法,该网络通过学习预测一个去卷积滤波器的复傅里叶系数来计算从未知运动核产生的模糊图像。该方法在 GPU 硬件上的并行性能优异,并且展现出接近现有最先进迭代方法的精度和鲁棒性。
Mar, 2016
深度展开是一种新兴的学习优化方法,在可训练的神经网络中展开剪枝迭代算法的层,本文提出使用随机下降约束进行训练的深度展开结构,理论上证明了输出序列的收敛性和对未知问题的泛化能力,同时展示了对扰动和干扰具有鲁棒性的优势。
Dec, 2023
该研究提出了一个可解释的图神经网络框架,通过对图信号进行噪声去除,扩展了算法展开到图域的能力,并通过信号处理的视角提供了对架构设计的解释。通过无监督学习训练图卷积网络,自适应捕捉输入噪声图信号的适当先验知识,以获得较小的信号去噪误差。
Jun, 2020