Jul, 2023

通过抖动学习可证明稳健的逆问题估计器

HTML
PDF
TL;DR深度神经网络在反问题如降噪方面表现出色，但对抗性或最坏情况扰动敏感，本文研究了添加正态噪声的正则化技术jittering是否有效于学习最坏情况下鲁棒的反问题估计器。通过对线性降噪器进行分析表明，jittering能够产生最佳的鲁棒降噪器。此外，通过对自然图像降噪、反卷积和磁共振成像（MRI）的深度神经网络（U-nets）进行实证研究，结果显示jittering显著提高了最坏情况下的鲁棒性，在除降噪之外的反问题中可能存在非最优情况，同时结果暗示通过对含有轻微噪声的真实数据进行训练，也能够提升鲁棒性。
发现论文，激发创造
  • 学习邻近算子：使用降噪网络来规则化逆成像问题

    本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算，使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中，通过使用固定的去噪神经网络，本文取得了最先进的重建效果，并且该方法具有很高的通用性和较少的问题特定训练需求。

    Apr, 2017

  • 深度神经网络降噪的速率最优化

    使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个$k$维码时，自编码器能将噪声能量减小到$O(k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到$O(k/n)$。

    May, 2018

  • 可逆生成模型用于反问题：减轻表示误差和数据集偏差

    研究表明，在图像逆问题中，具有零表示误差的可逆神经网络可以作为自然信号的有效先验，在压缩感知等方面比稀疏先验和GAN先验更精确。

    May, 2019

  • 使用降噪器中隐式的先验信息解决线性反问题

    本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

    Jul, 2020

  • 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

  • 神经重建背后的凸正则化

    本文提出了一种凸二元框架用于优化神经网络，从而解决了其在敏感应用如医学成像中的非凸和不透明性质的问题。该凸对偶网络不仅能够通过凸优化器获得最优训练，还有利于训练和预测的解释，特别是通过权重衰减正则化训练神经网络，诱导路径稀疏性的同时，预测是分段线性滤波。实验结果表明，该凸对偶网络优化问题在MNIST和fastMRI数据集上有效。

    Dec, 2020

  • 重新思考深度图像先验去噪

    通过有效自由度的分析和“随机时间组合”方法，我们扩展了“深度图像先验”的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

    Aug, 2021

  • 反问题函数性质的源条件双稳健推断

    估计线性反问题解的线性功能参数的研究，提供首个双重健壮推理方法以确保感兴趣的参数的渐近正态性，无需了解哪个反问题更合适，这一结果是迭代Tikhonov正则化对抗性估计器在线性反问题上的新担保为通用假设空间的发展创造的。

    Jul, 2023

  • 变分和机器学习逆问题方法的稳健性和探索性研究综述

    本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性，并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外，还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。

    Feb, 2024

  • 去噪：成像、逆问题和机器学习的重要组成部分

    本文解决了去噪技术应用范围未被充分认识的问题。通过提供全面的去噪器结构和属性视角，强调去噪在成像、逆问题和机器学习等复杂任务中的日益重要性。研究发现，去噪不仅限于噪声去除，其潜在用途正在不断被发现，进一步巩固了其在科学和工程实践中的重要地位。

    Sep, 2024