May, 2020

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

PDF
TL;DR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。
convolutional neural networksimage recoveryregularizationsignal recoverygradient descent
发现论文，激发创造
  • 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

  • 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

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 使用深度图像先验和学习正则化的压缩感知技术

    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。

    Jun, 2018

  • 神经近端梯度下降在压缩成像中的应用

    通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

    Jun, 2018

  • 使用深度神经网络解决反问题 -- 鲁棒性是否包含？

    本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

    Nov, 2020

  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • DeepCodec: 基于深度卷积神经网络的自适应感知与恢复

    本文提出了一种新型的计算感知框架，以深度卷积神经网络为基础，通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换，实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较，实验证明所提出的方法在信号恢复的性能、训练速度和参数数量等方面都取得了优异的表现。

    Jul, 2017

  • 利用卷积生成器的结构偏差进行降噪和正则化

    卷积神经网络在图像生成、还原和修复中具有良好的性能，即使在没有训练数据的情况下，通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中，作者将这种现象归因于卷积网络的特定架构选择，即使用固定插值滤波器进行卷积，并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。

    Oct, 2019

  • 深度压缩感知

    本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

    May, 2019