逆問題のための学習済み近接ネットワーク：近接演算子の学習

科学分野:

• 計算イメージング
• 逆問題のための機械学習
• 最適化理論

背景:

• 近接演算子は、不良設定の逆問題を正則化するために重要です。
• ディープラーニングモデル（プラグアンドプレイ、ディープアンローリング）は近接演算子を近似しますが、理論的保証がありません。
• 現在のデータ駆動型手法は、収束解析と学習済み事前分布の理解を妨げます。

研究 の 目的:

• 学習済み近接ネットワーク（LPN）のフレームワークを導入します。
• LPNがデータ駆動型正則化のための正確な近接演算子を生成することを証明します。
• データ分布の事前分布を復元するためのトレーニング戦略（近接マッチング）を開発します。

主な方法:

• 学習済み近接ネットワーク（LPN）のフレームワークを開発しました。
• LPNを正確な近接演算子として理論的に保証しました。
• 近接マッチングトレーニング戦略を導入および分析しました。

主要な成果:

• 学習済み近接ネットワーク（LPN）は、非凸正則化のための正確な近接演算子を提供します。
• 近接マッチングトレーニングは、データ分布の対数事前分布を証明付きで復元します。
• LPNは、逆問題のための一般的で、教師なしで、表現力のある近接演算子を提供します。

結論:

• LPNは、逆問題における近接演算子への原則的なディープラーニングアプローチを提供します。
• 近接マッチング戦略は、収束保証と解釈可能な事前分布学習を可能にします。
• 最先端のパフォーマンスと、データからの学習済み事前分布に関する洞察を実証しました。