Mar, 2024

基于白度的分层学习在图像中的正则化参数

PDF
TL;DR无监督双层优化策略可用于在成像反问题中学习正则化参数，解决加性白高斯噪声存在的问题。与依赖参考数据的监督和半监督度量以及依赖噪声统计的部分知识的方法相比，该方法无需地面真实数据，通过优化观测数据和观测模型之间残差的白化程度。我们在标准的总变差正则化图像去卷积问题上验证了该方法，结果表明提出的质量度量估计接近于均方误差和差异性原则。
发现论文，激发创造
  • 通过双层学习寻找最优正则化参数

    利用变分正则化方法求解线性反问题时，采用超参数调节正则化项，通过强化先验信息来提高求解结果，核心问题在于如何选择一个合适的正则化参数。本文提出了一个新的条件来更好地描述正则化参数的正性，并验证和探索了这个新条件，同时也探究了这个新条件在小和大维问题上的应用。

    May, 2023

  • 高阶全变差正则化模型的双层参数学习

    研究使用双层优化方法在高阶总变分图像重建模型中进行参数学习，提出并分析一种基于 Huber 正则化 TV 半范数的替代代价，验证解算符的可微性，并推导出一种一阶最优系统。基于伴随信息，提出了一个拟牛顿算法来数值解决双层问题。通过数值实验展示了我们的方法的适用性和新代价函数的改进性能。同时，利用双层优化框架，对比了 TGV^2 和 ICTV，在处理图像结构和噪声水平方面的优缺点。

    Aug, 2015

  • 双层方法用于学习变分成像模型

    本文介绍了近期变分成像中基于双层优化的学习方法，着重强调它们在函数空间中的处理重要性。

    May, 2015

  • 图像恢复问题的最优参数结构

    研究了图像恢复变分模型中最佳正则化参数的定性特性，参数是作为约束条件的恢复问题的双层优化问题的解。我们考虑了一种常见的正则化器，涵盖了总变差、总广义变差和下确界卷积总变差。通过一定给定数据的条件，我们证明了由双层优化问题导出的最优参数存在，关键点在于证明了此证明存在性时最优参数远离 0。

    May, 2015

  • 无监督训练凸正则化函数的极大似然估计

    我们提出了一种无监督的贝叶斯训练方法，用于学习具有固定噪声数据集的凸神经网络正则化器，基于双马尔可夫链估计方法。与经典的有监督对抗性正则化方法相比，我们在自然图像高斯去卷积和泊松降噪任务上展示了接近的性能。

    Apr, 2024

  • 逆问题中的对抗正则化器

    该论文提出了一种新的框架，利用神经网络作为正则化函数，将数据驱动方法应用于逆问题解决，该算法可以在没有监督训练数据的情况下应用于逆问题，并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。

    May, 2018

  • 迭代重新加权最小二乘网络：求解反向成像问题的收敛保证

    该研究提出了一种新颖的优化策略，用于分析图像正则化下的图像重建任务，推动在一些学习转换域中稀疏和 / 或低秩解，并通过学习网络实现了较高性能。

    Aug, 2023

  • 带噪声数据的反向优化

    该研究探讨了有噪声的凸优化问题的逆优化，提出了一种新的基于对偶的重构方法和正则化方案，证明了参数估计的统计一致性结果。同时，提出了两种基于该方法的解算法，并在合成和真实数据上进行了竞争性表现。

    Jul, 2015

  • 小数据集学习：图像重建中的基于图块的正则化器

    借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

    Dec, 2023

  • 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