Aug, 2023

PNN：从近端算法到鲁棒展开图像去噪网络和即插即用方法

PDF
TL;DR在这篇文章中，我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络（PNNs），该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。我们为 PNN 框架提供了不同的学习策略，并研究了它们的鲁棒性（利普希茨性质）和降噪效率。最后，我们评估了将我们的 PNNs 插入图像去模糊问题的前向 - 后向算法时的鲁棒性。
inverse imaging problemsproximal neural networksoptimization theorygaussian denoisingimage deblurring
发现论文，激发创造
  • TFPnP: 无需调参的即插即用近端算法及其在反演成像问题中的应用

    该研究提出了一种无需手动参数调整的自动调参算法，该算法利用混合模型无关和模型基深度强化学习策略的方法学习参数搜索的策略网络。通过严格的数值和视觉实验，学习的策略可以根据不同场景设置自定义参数，并比现有的手工参数更加高效和有效。

    Nov, 2020

  • 无需调节的即插即用近端算法用于逆向成像问题

    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

  • 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

  • 迭代去噪和背向投影图像恢复

    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

  • 神经近端梯度下降在压缩成像中的应用

    通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

    Jun, 2018

  • 学习到的近端网络用于逆问题中的先验知识

    学习的近似算子网络提供一种通用的、无监督的、表达力强的近似算子，可用于具有收敛性保证的一般逆问题。

    Oct, 2023

  • 图像恢复的近端内点方法的深度展开

    通过深度展开法，结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率，成功实现了图像恢复，结果远优于传统方法。

    Dec, 2018

  • 收敛的即插即用方法：近端去噪器和无约束正则化参数

    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

  • 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

  • 单次插拔式逆问题解决方案

    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