展开的近距离神经网络提供了强大的图像高斯式否定

科学领域:

• 计算机成像成像技术
• 机器学习用于图像处理.
• 优化理论 优化理论

背景情况:

• 反向成像问题通常使用通过最小化进行最大后视 (MAP) 估计.
• 代近位算法对非平滑函数和线性运算符在这些任务中有效.
• 深度学习的整合,特别是近距离神经网络 (PNN),提高了估计质量.

研究的目的:

• 提出一个统一的框架来构建PNN,以适应高斯的Denoising.
• 为PNN架构探索加速惯性近接算法的好处.
• 评估拟议的PNN框架的稳定性和效率.

主要方法:

• 将近位算法 (双FB和primal-dual Chambolle-Pock) 展开到固定代神经网络中.
• 实施加速惯性版本,在神经网络层中引入跳过连接.
• 在PNN框架中开发和应用各种学习策略.
• 评估Lipschitz财产的稳定性和无效性能.

主要成果:

• 证明了加速惯性算法可以促进PNN层中的跳过连接.
• 研究了不同的学习策略,展示了它们对强度和无效效率的影响.
• 验证了PNN框架在Gaussian denoising任务上的表现.
• 在前向后向图像消除模糊的算法中评估了开发的PNN的稳定性.

结论:

• 拟议的统一框架有效地构建了使用近位算法对高斯反驳的PNN.
• 这些算法的加速版本提供了诸如跳过连接之类的架构优势.
• PNN表现出有希望的稳定性和效率,可适应各种图像恢复和消除模糊的任务.