DeepGSR: Red neuronal de representación dispersa profunda basada en grupos para resolver problemas inversos de...

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes
• Aprendizaje Automático

Sus antecedentes:

• La representación dispersa basada en grupos (GSR) ofrece interpretabilidad del modelo para problemas inversos de imágenes.
• Los métodos GSR tradicionales son computacionalmente costosos debido a los procesos iterativos.
• Los métodos de aprendizaje profundo (DL) son eficientes pero a menudo carecen de interpretabilidad del modelo.

Objetivo del estudio:

• Proponer DeepGSR, un marco novedoso que integra GSR y DL para la resolución de problemas inversos de imágenes de manera eficiente e interpretable.
• Superar los cuellos de botella computacionales de GSR convencional conservando su interpretabilidad.
• Mejorar la capacidad de representación modelando relaciones intra-grupo complejas y explotando estructuras específicas de frecuencia.

Principales métodos:

• Desarrolló un marco de representación dispersa profunda basada en grupos (DeepGSR).
• Integró mecanismos adaptativos de emparejamiento y agregación de grupos para modelar el espacio latente.
• Introdujo un módulo de reducción de bajo rango aprendible para reducir la complejidad computacional y mejorar la adaptabilidad.
• Incorporó una estrategia de partición de parches en el dominio de la onda wavelet para el modelado específico de frecuencia.

Principales resultados:

• DeepGSR aborda eficazmente el gasto computacional y los problemas de interpretabilidad en GSR.
• El marco demuestra un rendimiento consistente y efectivo en diversos problemas inversos de imágenes.
• Las aplicaciones incluyen la eliminación de ruido de imágenes, la eliminación de lluvia, la reducción de artefactos metálicos, la reconstrucción de TC, la recuperación de fase y la restauración todo en uno.

Conclusiones:

• DeepGSR proporciona una solución potente e interpretable para problemas inversos de imágenes.
• La capacidad de reemplazo directo del marco valida su versatilidad y efectividad.
• El código fuente y los conjuntos de datos disponibles públicamente facilitan la investigación y la aplicación futuras.