使用受限奇异值条件的即插即用先验恢复分析
本文介绍了一种基于迭代收缩 / 阈值算法 (ISTA) 的在线 plug-and-play priors (PnP) 算法,并提出了一种新的收敛性分析方法,以证明该算法适用于大型数据集。该算法可用于图像重建,具有潜在的应用拓展性。
Sep, 2018
该研究论文介绍了一种用于求解图像逆问题的新方法,根据投影最小化噪声引入一个基于稳定化策略的新的前景偏好正则化算法,受限的极小极大问题以及 RED-PRO 算法进行研究并给出了数学公式模型,然后给出了数值模拟实验结果。
Aug, 2020
插拔式(PnP)算法是一类迭代算法,通过结合物理模型和深度神经网络进行正规化,解决图像逆问题。我们提出了一个新的 PnP 框架,称为随机去噪正则化(SNORE),它只在恰当程度上含有噪声的图像上应用去噪算法,并基于明确的随机正则化得出了解决病态逆问题的随机梯度下降算法。对该算法及其退火扩展进行了收敛性分析。实验证明,SNORE 在去模糊和修补任务上与最先进的方法在定量和定性上都具有竞争力。
Feb, 2024
利用 Plug-and-Play(PnP)先验在逆问题中的应用日益突出,本研究介绍了 Single-Shot PnP 方法(SS-PnP),使用少量数据解决逆问题,通过将 Single-Shot 近端去噪器集成到迭代方法中,并提出基于保留相关频率的新型函数的隐式神经先验,以获得更好的逼近。
Nov, 2023
插拔式去噪是一种利用现成的图像去噪器解决成像反问题的流行迭代框架。本文提供了关于经典正则化理论的概述,并调查了几种新近的数据驱动方法作为可以被证明收敛的正则化方案。同时,本文还讨论了插拔式算法和其已确立的收敛保证。进一步地,在线性去噪器的基础上,提出了一种新颖的谱滤波技术来控制由去噪器引起的正则化强度,并通过将去噪器的隐式正则化与显式正则化功能关联起来,严格证明了插拔式与线性去噪器的收敛正则化方案。这个理论分析得到了在层析成像的经典反问题中的数值实验的验证。
Jul, 2023
本文提出了两种解决方法,一是无需对正则化参数做限制的新型 PnP-DRS 收敛证明,二是在更广范围的正则化参数下收敛的 PGD 算法的放松版本,实验证明这两种解决方案均提高了图像恢复的准确性。
Nov, 2023
本文针对使用仅通过去噪函数指定的先验从其噪声测量中估计向量的问题,提出了一种新的块协调等价正则化 - by-denoising(RED)算法,并理论分析了算法的收敛性及其与传统的近端优化的关系。
May, 2019
本文提出了一种可实现自动调参的 PnP 近端算法,利用混合模型自由和基于模型的深度强化学习方法,开发出策略网络进行参数自动搜索,从而得到最优参数值,可在重构图像方面提供 state-of-the-art 的效果,尤其在压缩感知 MRI 和相位恢复上结果有很大提升。
Feb, 2020
本研究提出了一种利用现成去噪器方法解决反问题的替代方法,该方法需要较少的参数调整,通过自动调整参数,可以应对图像去模糊和修复等任务,并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。
Oct, 2017