MMOct, 2020

通信系统中的稀疏线性逆问题求解：一种具有自适应深度的深度学习方法

PDF
TL;DR该论文提出一种基于深度学习的动态网络深度算法，通过在每一层引入终止得分，学习了解每个任务需要执行几层以获得最佳输出，并在稀疏信号恢复和通信信道估计方面表现出更高效和更好的性能。
sparse signal recoverydeep learningiterative algorithmsprojected gradient descentdynamic network depth
发现论文，激发创造
  • 基于 Onsager 修正的深度学习在稀疏线性反问题中的应用

    本文提出了一种新颖的神经网络架构，通过 Onsager 校正的方式在层间解耦预测误差，以应用深度学习于稀疏线性反问题中，数值实验表明，与 Gregor 和 LeCun 的 “learned ISTA” 网络相比，我们的 “Learned AMP” 网络在精度和复杂性方面均有显著提高。

    Jul, 2016

  • 基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

    提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法，该方法具有较高的可解释性、易于训练，适合于在医学中的应用，具有 MRI 成像参数估计等方面的应用潜力。

    Jul, 2021

  • 一种网络解决所有问题 —— 使用深度投影模型解决线性反问题

    本文提出了一种通用框架来训练单个深度神经网络，以解决任意线性反问题，通过提供一个接近算子来实现这一目的，并在压缩感知和像素插值等任务中显示出优越的性能。

    Mar, 2017

  • 使用迭代深度神经网络解决不适定的反问题

    本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

    Apr, 2017

  • 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

  • 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

  • 深度学习方法应用于结构化信号恢复

    本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

    Aug, 2015

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 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

  • 深度网络中的最大稀疏性？

    论文研究了稀疏估计算法、神经网络层和深度网络学习在估计准确性方面的应用，展示了深度网络学习可以在稀疏字典具有连贯列时恢复最小 L0 范数表示的潜力，并应用于三维场景表面法线的实际测量问题中。

    May, 2016