图展开网络:用于图信号去噪的可解释神经网络
通过迭代优化算法来构建可解释且轻量级的类 Transformer 神经网络,其中采用归一化的信号相关图学习模块代替传统 Transformer 中的基本自注意机制,通过学习每个节点的低维特征来建立配对的马哈拉诺比斯距离和构建稀疏相似度图,从而实现巨大参数集的减少和信号内插。与传统 Transformer 相比,图形未解卷积神经网络在图像内插应用中验证了恢复性能、参数效率和对协变量转换的鲁棒性。
Jun, 2024
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
本篇论文针对图结构数据的表征学习中的聚合操作进行研究,探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性,进而提出统一图神经网络框架 UGNN,并基于此开发了 ADA-UGNN 模型,通过实验验证了其在自适应平滑性的图中的有效性。
Oct, 2020
探索了图神经网络(GNN)如何进行信号去噪,并提出了两种新的模型,GSDN-F 和 GSDN-EF,并且证明了该理论框架以及新模型在基准数据集上的有效性。
Jun, 2020
该研究提出了一种名为图解卷积网络(GDN)的解决方案,旨在通过组合频谱域中的逆滤波器和小波域中的去噪层,实现对由图解卷积网络(GCN)平滑的图形数据的重建操作,同时解决信号中的噪声干扰问题,它在图特征补全和图结构生成等多项任务中展示出了有效性。
Oct, 2021
该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network(DGUNet)进行图像修复,通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路,实现对复杂和现实世界图像的修复,同时保持了透明度和可解释性。实验结果表明,该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。
Apr, 2022
利用张量 - 超图迭代网络在于超图信号去噪以及超图神经网络之间的等价关系,本研究设计了一种基于张量 - 超图迭代网络的方法,通过多步更新方案,有效应用于超图信号去噪问题。
Sep, 2023