Jul, 2023
通过抖动学习可证明稳健的逆问题估计器
Learning Provably Robust Estimators for Inverse Problems via Jittering
Anselm Krainovic, Mahdi Soltanolkotabi, Reinhard Heckel
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。